بررسی سطح بیان ژن های عامل سرطان لمفوما به کمک ارائه مدل دسته بند تقریبی فازی

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 110

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MUQ-9-10_002

تاریخ نمایه سازی: 2 آبان 1401

چکیده مقاله:

زمینه و هدف: سرطان یکی از دلایل عمده مرگ و میر در دنیای امروز است و به عنوان یکی از مهم ‎‎ترین مشکلات سلامت جوامع محسوب می شو‎د. اکثر روش های پیشنهادی جهت دسته بندی سرطان ‎‎به کمک داده های بیان ژن مانند یک جعبه سیاه عمل کرده و قابلیت تفسیرپذیری زیستی ندارند. این مطالعه با هدف معرفی روشی بهینه با قابلیت تفسیر داده های بیان ژن انجام شد. روش بررسی: در این مطالعه، روش ترکیبی پالایشی - پوششی برای انتخاب ویژگی زیرمجموعه ای از ژن های موثر در سرطان مورد استفاده قرار گرفت که این عمل باعث کاهش چشمگیر تعداد نمونه ها در مقایسه با تعداد ژن ها شد. همچنین در این مطالعه با ترکیب روش های خوشه بندی فازی، مجموعه های تقریبی و اعتبارسنجی K- دسته ای؛ به گسسته سازی داده ها، تولید و کاهش قوانین و ارزیابی نتایج پرداخته شد. براین اساس، روش جدیدی با قابلیت           تفسیرپذیری زیستی و استخراج معانی از داده های بیان ژن معرفی گردید که این روش                Fuzzy Rough set ‎Classification نامیده شد. یافته ها: با استفاده از روش پالایشی – پوششی انتخاب ویژگی در ریزآرایه لمفوما، از میان ۴۰۲۹ ژن، ۶ ژن انتخاب شد. در روش دسته بندی تقریبی فازی جهت تولید یک مدل دسته بند با قابلیت تفسیر داده های بیان ژن، دو قانون تولید شده است. نتیجه گیری: در این روش با استفاده از توابع رتبه بندی، مهم ترین قوانین فازی انتخاب شد که علاوه بر قابلیت تولید یک مدل دسته بند کارآمد، قابلیت تفسیر داده های بیان ژن را ممکن      می سازد. یکی دیگر از ویژگی های برجسته این روش، حل موفقیت آمیز مسئله عدم تناسب میان تعداد نمونه ها و ژن ها در ریزآرایه ها به روش پیشنهادی‎ پالایشی - پوششی انتخاب ویژگی بوده است.

نویسندگان

زهرا روزبهانی

Faculty of Engineering & Technology, University of Qom

علی کتان فروش

Faculty of Mathematical Sciences, Shahid Beheshti University

منصور ابراهیمی

Department of Biology, University of Qom

منصوره یاری ایلی

Faculty of Engineering & Technology, University of Qom

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Petersen PE. Oral cancer prevention and control-the approach of the ...
  • Cabanes A, Vidal۱ E, Aragonés N, Pérez-Gómez B, Pollán M, ...
  • Jemal A, Siegel R, Ward E, Murray T, Xu J, ...
  • Jafari P, Azuaje F. An assessment of recently published gene ...
  • Bergadeno F, Matwin S, Michalski RS, Zhang J. Measuring quality ...
  • Fodor IK. A survey of dimension reduction techniques. Technical report, ...
  • Kira K, Rendell LA. The feature selection problem: Traditional methods ...
  • Grze\'s M, Kretowski M. Decision tree approach to microarray data ...
  • Parry RM, Jones W, Stokes TH, Phan JH, Moffitt RA, ...
  • Dudoit S, Fridly J, Speed TP. Comparison of discrimination methods ...
  • Terrence SF, Cristianini N, Duffy N, Bednarski DW, Schummera M, ...
  • Guyon I, Weston J, Barnhill S, Vapnik V. Gene selection ...
  • Mishra D, Dash R, Rath AK, Acharya M. Feature selection ...
  • Hassanein A. Fuzzy A rough sets hybrid scheme for breast ...
  • Dhanalakshmi K, Hannah Inbarani H. Fuzzy soft rough k-means clustering ...
  • Jang JSR, Sun CT, Mizutani E. Neuro-fuzzy and Soft Computing: ...
  • Revett K, Szczuka M. An analysis of a lymphoma/leukaemia dataset ...
  • Takahashi M, Hayashi H, Watanabe Y, Sawamura K, Fukui N, ...
  • Kima Y, Kwona S, Songb SH. Multiclass sparse logistic regression ...
  • Roozbahani Z, Katanforoush A. Classification of gene expression data using ...
  • Brazdil P, Torgo L. Knowledge acquisition via knowledge integration. In ...
  • Schaefer G, Nakashima T, Yokota Y, Ishibuchi H. Fuzzy Classification ...
  • Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, ...
  • Vinterbo SA, Kim EY, Ohno-Machado L. Small, fuzzy and interpretable ...
  • Petersen PE. Oral cancer prevention and control-the approach of the ...
  • Cabanes A, Vidal۱ E, Aragonés N, Pérez-Gómez B, Pollán M, ...
  • Jemal A, Siegel R, Ward E, Murray T, Xu J, ...
  • Jafari P, Azuaje F. An assessment of recently published gene ...
  • Bergadeno F, Matwin S, Michalski RS, Zhang J. Measuring quality ...
  • Fodor IK. A survey of dimension reduction techniques. Technical report, ...
  • Kira K, Rendell LA. The feature selection problem: Traditional methods ...
  • Grze\'s M, Kretowski M. Decision tree approach to microarray data ...
  • Parry RM, Jones W, Stokes TH, Phan JH, Moffitt RA, ...
  • Dudoit S, Fridly J, Speed TP. Comparison of discrimination methods ...
  • Terrence SF, Cristianini N, Duffy N, Bednarski DW, Schummera M, ...
  • Guyon I, Weston J, Barnhill S, Vapnik V. Gene selection ...
  • Mishra D, Dash R, Rath AK, Acharya M. Feature selection ...
  • Hassanein A. Fuzzy A rough sets hybrid scheme for breast ...
  • Dhanalakshmi K, Hannah Inbarani H. Fuzzy soft rough k-means clustering ...
  • Jang JSR, Sun CT, Mizutani E. Neuro-fuzzy and Soft Computing: ...
  • Revett K, Szczuka M. An analysis of a lymphoma/leukaemia dataset ...
  • Takahashi M, Hayashi H, Watanabe Y, Sawamura K, Fukui N, ...
  • Kima Y, Kwona S, Songb SH. Multiclass sparse logistic regression ...
  • Roozbahani Z, Katanforoush A. Classification of gene expression data using ...
  • Brazdil P, Torgo L. Knowledge acquisition via knowledge integration. In ...
  • Schaefer G, Nakashima T, Yokota Y, Ishibuchi H. Fuzzy Classification ...
  • Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, ...
  • Vinterbo SA, Kim EY, Ohno-Machado L. Small, fuzzy and interpretable ...
  • نمایش کامل مراجع