دوره 16، شماره 2 - ( 4-1400 )                   جلد 16 شماره 2 صفحات 112-103 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kouhsar M, Masoudi-Sobhanzadeh Y, Masoudi-Nejad A. Developing a novel algorithm to predict diagnostic biomarkers in lung cancer. MGj. 2021; 16 (2) :103-112
URL: http://mg.genetics.ir/article-1-1688-fa.html
کوهسار مرتضی، مسعودی سبحان زاده یوسف، مسعودی نژاد علی. ارائه ی روشی جدید برای کشف نشانگرهای زیستی پیش آگاهی دهنده در سرطان ریه. فصلنامه علمی ژنتیک نوین. 1400; 16 (2) :112-103

URL: http://mg.genetics.ir/article-1-1688-fa.html


دانشگاه تهران
چکیده:   (143 مشاهده)

امروزه رویکردهای یادگیری ماشین به‌طور گسترده‌ای در تجزیه و تحلیل داده‌های حجیم استفاده می‌شود. با توجه به فناوری جدید و تولید داده‌های با بازده بالا در زیست شناسی (مانند داده‌های تعیین توالی نسل جدید)، استفاده از روش یادگیری ماشین بر روی داده‌های بزرگ بیولوژیکی می‌تواند به درک مکانیسم بیماری پیچیده مانند سرطان کمک کند. استخراج ژن‌های کاندیدا به‌عنوان یک هدف درمانی یا نشانگرهای زیستی از داده‌های بیولوژیکی حجیم مانند داده‌های بیان ژن را می‌توان به‌عنوان اولین مرحله در درمان سرطان در نظر گرفت. بنابراین، توسعه یک رویکرد کارآمد برای تجزیه و تحلیل چنین داده‌هایی نقشی اساسی در بیوانفورماتیک و زیست‌شناسی محاسباتی دارد. در این مقاله، ما با اعمال الگوریتم رقابت جهانی و ماشین بردار پشتیبان بر روی داده‌های بیان ژن مربوط به سرطان ریه تلاش کرده‌ایم ژن‌های مرتبط با سرطان ریه را به‌عنوان نشانگرهای زیستی بالقوه کشف کنیم. داده‌های مورد استفاده، داده‌های به‌دست آمده از تکنولوژی RNA-Seq و مربوط به نمونه‌های سرطان ریه و همین‌طور نمونه‌های بافت سالم هستند که از پایگاه داده‌ی TCGA دریافت شده‌اند. این داده‌های شامل بیان ژن‌های mRNA در نمونه‌های بافت سرطانی و سالم می‌باشند. نتایج بررسی منجر به کشف ژن‌های با اهمیتی شد که با توجه به مقالات قبلی منتشر شده نقش مهمی در شکل‌گیری سرطان دارند و نقش آن‌ها در شکل‌گیری سرطان ریه را نیز می‌تواند در مطالعات آینده مورد بررسی قرار داد. همچنین نتایج اعتبار سنجی روش پیشنهادی نشان دهنده‌ی قدرت روش‌های مبتنی بر یادگیری ماشین در تحلیل داده‌هایی بیان ژن هستند.

متن کامل [PDF 417 kb]   (60 دریافت)    
نوع مطالعه: پژوهشی کامل | موضوع مقاله: ژنتیک انسانی
دریافت: 1399/6/21 | پذیرش: 1399/12/13 | انتشار: 1400/4/16

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه علمی ژنتیک نوین می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | فصلنامه علمی ژنتیک نوین

Designed & Developed by : Yektaweb