این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
فصلنامه پژوهشی خون، جلد ۱۳، شماره ۳، صفحات ۲۰۷-۲۱۴
عنوان فارسی روشی جدید برای تشخیص لوسمی میلوژنیک و لنفوسیتیک حاد با استفاده از داده‌های بیان ژن و روش‌های یادگیری ماشین
چکیده فارسی مقاله چکیده سابقه و هدف لوسمی از سرطان­های شایع در جهان است. یکی از مهم‌ترین روش­ها برای کشف و پیش­بینی لوسمی میلوژنیک و لنفوسیتیک حاد، استفاده از DNA افراد و اطلاعات ژنتیکی آن‌ها می‌باشد. تکنولوژی ریز آرایه، ابزاری برای بررسی بیان هزاران ژن در حداقل زمان است. تحلیل مجموعه داده‌های ریز آرایه بدون کمک آنالیز آماری و روش‌های یادگیری ماشین ممکن نیست. در این مطالعه با استفاده از مجموعه داده‌های ریز آرایه و روش‌های یادگیری ماشین به تشخیص انواع لوسمی پرداخته ‌شد. مواد و روش‌ها داده‌های مورد استفاده در این پژوهش توصیفی، بیان 7129 ژن مربوط به 72 بیمار مبتلا به لوسمی بود که با استفاده از فناوری ریز آرایه به دست آمد. سپس با استفاده از این داده‌ها، تشخیص لوسمی میلوژنیک حاد(AML) و لوسمی لنفوسیتیک حاد(ALL) با روش طبقه‌بندی ناپارامتری هسته، تابع پایه شعاعی ناهمسانگرد با استفاده از معیارهای نسبت بهره و بهره اطلاعاتی انجام ‌شد. یافته‌ها روش پیشنهادی طبقه‌بندی ناپارامتری با استفاده از معیار بهره اطلاعاتی با انتخاب230 ژن مهم و با استفاده از معیار نسبت بهره با انتخاب 86 ژن مهم با دقت 06/97٪ ، قادر به تشخیص انواع لوسمی‌میلوژنیک و لنفوسیتیک است، در حالی‌که روش طبقه‌بندی ناپارامتری هسته‌، تابع پایه شعاعی با 7129 ژن دارای دقت 29/35٪ است. نتیجه گیری نتایج این مطالعه نشان داد که استفاده از داده‌های بیان ژن و روش پیشنهادی با معیار نسبت بهره قادر به تشخیص لوسمی با دقت بالایی است. بنابراین به نظر می‌رسد این روش می‌تواند در تشخیص دقیق­تر انواع لوسمی‌کمک کند تا تصمیمات مناسب‌تری در مورد نحوه تشخیص و درمان بیماران گرفته شود.
کلیدواژه‌های فارسی مقاله کلمات کلیدی، لوسمی، بیان ژن، آنالیز ریز آرایه، یادگیری ماشین
عنوان انگلیسی A new approach for diagnosis of Acute Myeloid and Lymphoblastic Leukemia using gene expression profile and machine learning techniques
چکیده انگلیسی مقاله Abstract Background and Objectives Leukemia is a cancer type in the world. One of the most accurate methods for detection and prediction of Acute Myeloid Leukemia and Acute Lymphoblastic Leukemia is to use DNA and genetic information of people. Microarray technology is a tool to study the expression of thousands of genes in shortest possible time. Analyzing the microarray datasets may not be possible without the statistical analysis and machine learning techniques. In this paper, microarray data sets and machine learning techniques are used for the diagnosis of leukemia. Materials and Methods The data used in this descriptive study are the expression of 7129 genes of 72 patients with leukemia which have been achieved by the microarray technology. Then, the diagnosis of AML and ALL was performed using the microarray data based on anisotropic radial basis function with the gain ratio and information gain. Results The proposed method using information gain with the selection of 230 important genes and using gain ratio with the selection of 86 important genes was able to detect AML and ALL with accuracy of 97.06%, whereas non-parametric kernel classification method based on the radial basis function has the accuracy of 35.29٪ with 7129 genes. Conclusions The results of this study showed that the gene expression data and proposed method with gain ratio method are able to detect leukemia with high accuracy. Therefore, it seems that proposed method can help to accurately diagnose leukemia for a better decision making about the diagnosis of diseases and treatment of patients.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رباب شیخ پور | r. sheikhpour
گروه تربیت بدنی، واحد تفت، دانشگاه آزاد اسلامی، تفت، ایران و مرکز تحقیقات خون و انکولوژی، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران،
سازمان اصلی تایید شده: دانشگاه علوم پزشکی شهید صدوقی یزد (Shahid sadooghi university of medical sciences)

راضیه شیخ پور | r. sheikhpour
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

مهدی آقا صرام | m. aghasaram
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

نشانی اینترنتی http://www.bloodjournal.ir/browse.php?a_code=A-10-1012-1&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات