پیش بینی اهداف micrornaهای دخیل در سرطان سینه با استفاده از روش های بیوانفورماتیکی

مقدمه: پیش بینی اهداف mirna ها از اهمیت ویژه ای برخوردار است. توسعه روش های محاسباتی و متعاقباً صرفه جویی در هزینه و زمان پژوهش های آزمایشگاهی، تأثیر به سزایی در افزایش سرعت ساخت داروهای درمانی از جمله داروهای ضد سرطانی دارد. با توجه به این که زمان کمی از شناخت mirna ها می گذرد، روند پژوهش ها در ابتدا کند بود. اما به مرور با شکل گیری دیتابیس های بیولوژیکی و درک اهمیت آن ها، دانشمندان بر روی این زمینه سرعت مطالعات و توجه خود را افزایش داده اند. تاکنون چندین روش کامپیوتری برای پیش بینی اهداف mirnaها ساخته شده است ولی اکثر این روش‏ها دارای نرخ بالایی از مثبت‏های اشتباه هستند و هنوز جا برای بهبود این روش ها وجود دارد. از آنجا که مطالعات جدید نشان می‏دهد که mirnaها در بافت‏های مختلف دارای اهداف متفاوتی هستند، هدف از این مقاله ارائه‏ یک روش کامپیوتری برای پیش بینی اهداف، در سرطان سینه می‏باشد، تا به این طریق با اطمینان بیشتری بتوان به پیش بینی اهداف در این سرطان پرداخت. روش: در این پژوهش، ابتدا انواع ویژگی ها استخراج شده، سپس ویژگی های برتر توسط دو روش cfs و relieff انتخاب گردیدند. انواع مدل های هوشمند از جمله شبکه عصبی، ماشین بردار پشتیبان با سه هسته متفاوت، الگوریتم نائیوبیز و درخت تصمیم گیری random forest بر روی داده ها با روش اعتبارسنجی ضربدری 10تایی تست و نتایج آن ها با یکدیگر مقایسه و تحلیل شد. سپس برای تأیید نتایج حاصل از داده های بیان ژن بهره گرفته شد. نتایج: با استفاده از این روش 124 اثر متقابل عملگر، شامل 21 mirna و 38 mrna، در سرطان مورد نظر پیش بینی گردید. نتیجه گیری: این رویکرد از لحاظ بیوانفورماتیکی برای سرطان سینه مورد تأیید قرار گرفت اما برای تأیید بیشتر این پیش بینی ها، نیاز به استفاده از روش های آزمایشگاهی می باشد.