پیش بینی مقاومت دارویی ویروس hiv با استفاده از ماشین های بردار پشتیبان

مقدمه: پژوهش حاضر با هدف بررسی عملکرد روش یادگیری ماشین های بردار پشتیبان برای پیش بینی مقاومت دارویی ویروس hiv) یا (human immunodeficiency virus استفاده از تحلیل دنباله ی آمینو اسیدها انجام گرفت. روش ها: در این مطالعه از ماشین های بردار پشتیبان استفاده شد؛ همچنین برای آموزش و آزمایش ماشین های بردار پشتیبان از نرم افزار libsvm) یا  (library for support vector machinesاستفاده گردید. یافته ها: نتایج حاصل از مطالعه ی حاضر بر روی چهار روش بیولوژیکی که برای تفسیر نتایج تست های ژنوتیپی ارایه گردیده بود، بررسی شد. با مقایسه ی نتایج، بهترین روش بیولوژیکی برای هر دارو مشخص گردید. ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس hiv با دقت 77/98-27/86 عمل می کند. با توجه به پارامترهای اندازه گیری شده، اعمال ماشین های بردار پشتیبان بر روی نتایج روش (hivdb) hiv rt and protease sequence database برای داروهای amprenavir (apv)، (nf) nelfinavir،abacavir abc)) ،azt) zidovudine)، (d4t) stavudine، ddi) didanosine)، (tdf) tenofovir disoproxil fumarate، delavirdine (dlv) و بر روی نتایج روش anrs) agence national de recherches le sida)، برای داروهای (idv) indinavir، 3tc) lamivudine)، tdf) tenofovir disoproxil fumarate)، efavirenz ((efv وnvp) nevirapine ) بهترین نتایج را داشته است. برای داروهای lpv) lopinavir) و azt) zidovudine) ماشین های بردار پشتیبان برای نتایج روش rega institute rega)) عملکرد خوبی ارایه نموده است و نیز برای داروهای idv، lpv، rtv) ritonavir)، (sqv) saquinavir و ddi ماشین های بردار پشتیبان برای روش visible genetics ((vgi عملکرد خوبی داشته است. نتیجه گیری: ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس hiv عمل می کند. می توان هنگام استفاده از هر دارو برای درمان، قبل از شروع درمان ابتدا مقاومت دارویی را با استفاده از روش های یادگیری ماشین، تعیین کرد.