شناسایی ژن های موثر در بروز بیماری با استفاده از داده کاوی ریزآرایه و آنتولوژی ژن
Abstract
امروزه استفاده از اطلاعات ژنتیکی افراد در تشخیص و رده بندی انواع بیماری ها از جمله سرطان ها، مورد توجه قرار گرفته است. یکی از بهترین و دقیق ترین روش ها در این زمینه، بررسی مقادیر بیان ژنی در افراد مختلف توسط فناوری ریزآرایه می باشد. یکی از مشکلات داده های ریزآرایه کم بودن تعداد نمونه ها در مقایسه با تعداد ژن ها است. این مسیله سبب کاهش دقت رده بندی و افزایش هزینه های محاسباتی و آزمایشگاهی می شود، در عین حال بسیاری از این ژن ها در ایجاد بیماری مورد بررسی نقشی ندارند، در نتیجه تشخیص و انتخاب ژن های موثر در بروز بیماری علاوه بر آنکه سبب افزایش دقت رده بندی وکاهش هزینه ها می شود، از نظر زیستی نیز از اهمیت ویژه ای برخوردار است و می تواند اطلاعات مفیدی درباره علل و نحوه درمان بیماری ها در اختیار محققین قرار دهد. تشخیص و انتخاب ژن های موثر در بروز بیماری، از میان هزاران ژن مورد بررسی در آزمایش ریزآرایه، انتخاب ژن نام دارد. در این پایان نامه با بررسی روش های مختلف انتخاب ژن، تلاش شده است با بهره گیری از مزایای روش های موجود، چارچوب جدیدی برای انتخاب ژن های موثر در بروز بیماری ارایه شود، به نحوی که نقاط ضعف روش های متداول پوشش داده شوند. در روش پیشنهادی، علاوه بر داده های بیان ژنی از یکی دیگر از منابع معتبر موجود درباره ژن ها یعنی آنتولوژی ژن نیز کمک گرفته شده است. استفاده از آنتولوژی ژن در کنار مجموعه داده های بیان ژنی تا حدی می تواند محدودیت های ریزآرایه یعنی کم بودن تعداد نمونه ها و خطای احتمالی در مقادیر اندازه گیری شده را جبران نماید. در چارچوب ارایه شده ابتدا بخش عمده ای از ژن های غیرمرتبط با کمک روش فیلتری (فیشر) حذف می شوند، اما روش های فیلتری همبستگی موجود بین ژن ها را مدنظر قرار نمی دهند در نتیجه ژن های باقیمانده دارای حجم بالایی از افزونگی می باشند. به منظور کاهش افزونگی در ژن های باقیمانده، یک رویکرد حریصانه برای حذف ژن های مشابه پیشنهاد شده است. در این رویکرد میزان مشابهت ژن ها با در نظر گرفتن اطلاعات آنتولوژی ژن و داده های بیان ژنی و بر اساس یک معیار تلفیقی محاسبه می شود و سپس بر اساس این معیار، ژن های افزونه از مجموعه ژن ها حذف می شوند. در نهایت ژن های باقیمانده از این مرحله، به عنوان ژن های کاندید به طور دقیق تر توسط روش svmrfe مورد بررسی قرار می گیرند تا مجموعه ژن های نشانگر بیماری بدست آید. روش پیشنهادی بر روی دو مجموعه داده سرطان dlbcl و سرطان کلون اعمال شده است. نتایج بدست آمده نمایانگر تاثیر مثبت روش پیشنهادی بر کارایی رده بندی است، به علاوه مقایسه این روش با روش های انتخاب ژن متداول، نشان می دهد که روش ارایه شده به ازای تعداد ژن های مساوی، از کارایی بهتری برخوردار است. همچنین از آنجایی که بسیاری از مجموعه داده های ریزآرایه به دلایل مختلف از جمله وجود خراش یا گرد و غبار بر روی اسلاید، بروز خطا در حین آزمایش، اختلال در تصویر ریزآرایه و پایین بودن قدرت تفکیکی تصاویر، شامل مقادیر گمشده می باشند در این پایان نامه با استفاده از تلفیق روش خوشه بندی cst و آنتولوژی ژن روش نوینی برای تخمین مقادیر گمشده در مرحله پیش پردازش ارایه گردیده است. عملکرد روش پیشنهادی بر روی مجموعه داده سرطان dlbcl و به ازای درصدهای مختلفی از مقادیر گمشده مورد بررسی قرار گرفته است. مقایسه نتایج حاصل از روش پیشنهادی با نتایج سایر روش های تخمین مقادیر گمشده، نشان می دهد که روش پیشنهادی می تواند مقادیر گمشده را با دقت بالاتری تخمین بزند.