این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
فصلنامه پژوهشی خون، جلد ۱۲، شماره ۴، صفحات ۳۴۷-۳۵۷
عنوان فارسی تشخیص لوسمی لنفوسیتی و میلوئیدی حاد با استفاده از انتخاب ژن داده‌های ریز‌آرایه و الگوریتم‌های داده کاوی
چکیده فارسی مقاله چکیده سابقه و هدف تکنولوژی ریزآرایه، یک تصویر کلی از میزان بیان هزاران ژن به طور هم زمان ارایه می‌دهد. تفسیر داده‌های ریز آرایه بدون آنالیز آماری و روش‌های هوش مصنوعی ممکن نیست. هدف این مقاله، تشخیص انواع لوسمی حاد با استفاده از مجموعه داده‌های ریز آرایه و الگوریتم‌های داده ‌کاوی بود. مواد و روش‌ها در این مطالعه توصیفی از داده‌های بیان 7129 ژن مربوط به 72 بیمار مبتلا به لوسمی استفاده شد. سپس با انتخاب ژن‌های مهم بر اساس روش‌های ضریب همبستگی، بهره اطلاعاتی، نسبت بهره و امتیاز Fisher و با استفاده از روش‌های جداکننده خطی، ماشین‌بردار پشتیبان، k نزدیک‌ترین همسایه، بیزین ساده، شبکه‌ بیزین، نزدیک‌ترین میانگین، رگرسیون لجستیک، شبکه‌ عصبی پرسپترون چند لایه و درخت تصمیم J48 برروی ژن‌های انتخاب شده به تشخیص لوسمی ‌میلوژنیک و ‌لنفوسیتیک حاد پرداخته شد. یافته‌ها روش‌های نزدیک‌ترین میانگین، ماشین‌بردار پشتیبان، k نزدیک‌ترین همسایه، بیزین ساده و شبکه عصبی پرسپترون چند لایه با استفاده از 39 ژن‌ انتخاب شده توسط نسبت بهره با دقت 100٪ ، قادر به تشخیص لوسمی میلوژنیک و لنفوسیتیک حاد هستند. هم چنین روش ماشین‌بردار پشتیبان با استفاده از 87 ژن‌ انتخاب شده توسط بهره اطلاعاتی و روش‌ شبکه عصبی پرسپترون چند لایه با استفاده از 133 ژن‌ انتخاب شده توسط بهره اطلاعاتی با دقت 100٪ ، قادر به تشخیص آن می‌باشند. نتیجه گیری نتایج این مطالعه نشان داد که انتخاب ژن‌ها و الگوریتم‌های داده ‌کاوی قادر به تشخیص انواع لوسمی با دقت بسیار بالایی هستند، بنابراین با استفاده از این روش‌ها، می‌توان تصمیمات مناسبی در مورد نحوه تشخیص و درمان بیماران گرفت.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Diagnosis of acute myeloid and lymphoblastic leukemia using gene selection of microarray data and data mining algorithm
چکیده انگلیسی مقاله Abstract Background and Objectives Microarray technology represents the expression of thousands of genes simultaneously. Microarray analysis may not be possible without statistical analysis and artificial intelligence methods. The aim of this paper is to diagnose acute leukemia using microarray data and data mining algorithms. Materials and Methods The expression of 7129 genes of 72 patients with leukemia was used in this study. Then, by the selection of important genes based on correlation coefficient, information gain, gain ratio and fisher score criteria and by the use of linear discriminat, support vector machine, k nearest neighbor, naïve Bayes, Bayes net, nearest mean, logistic regression, multilayer perceptron neural network and J48 decision tree methods on the selected genes, acute myeloid and lymphoblastic leukemia were attemted to be diagnosed. Results The methods of nearest mean, support vector machine, k nearest neighbor, naïve Bayes, and multilayer perceptron neural network are able to detect acute myeloid and lymphoblastic leukemia using 39 selected genes by the gain ratio with 100 percent accuracy. Moreover, support vector machine method using 87 selected genes by information gain and support vector machine method using 133 selected genes by information gain are able to detect acute myeloid and lymphoblastic leukemia with 100 percent accuracy. Conclusions The results of this study showed that gene selection and data mining algorithm are able to diagnose leukemia with high accuracy. Therefore, appropriate decisions can be made using these methods about the how of the diagnosis and treatment of patients.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله راضیه شیخ پور | r. sheikhpour
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

مهدی آقاصرام | m. aghaseram
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

رباب شیخ پور | r. sheikhpour
دانشکده پزشکی، واحد یزد، دانشگاه آزاد اسلامی و مرکز تحقیقات خون و انکولوژی
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی یزد (Islamic azad university of yazd)
سازمان های دیگر: دانشگاه علوم پزشکی شهید صدوقی

نشانی اینترنتی http://www.bloodjournal.ir/browse.php?a_code=A-10-855-1&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 genetics|
نوع مقاله منتشر شده 1
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات