خوشه بندی داده های بیان ژنی توسط عدم تشابه جنگل تصادفی

زمینه و هدف: خوشه بندی داده های بیان ژنی در تشخیص و درمان سرطان، دارای اهمیت بسزایی است. مشخصه ی بارز این داده ها تعداد زیاد متغیرها (ژن ها) نسبت به تعداد داده ها (بیماران) است. بسیاری از روش های خوشه بندی بر پایه ی عدم تشابه داده ها که حاصل محاسبه ی یک تابع فاصله است‏، بنا شده اند و افزایش ‏بعد‏، کارآیی توابع فاصله را کاهش می دهد‏. در این تحقیق معیاری جدید برای محاسبه ی عدم تشابه در ابعاد بالا‏، بر اساس یک روش رده بندی به نام جنگل تصادفی معرفی شده و کارایی آن در تحلیل داده های بیان ژنی، مورد ارزیابی قرار گرفته است. روش کار: در این مقاله خوشه بندی مجموعه داده ی چاودری و همکاران  توسط عدم تشابه جنگل تصادفی مد نظر قرار گرفته است. بدین منظور ابتدا مسئله ی خوشه بندی به مسئله ی رده بندی تبدیل شده و با انجام رده بندی جنگل تصادفی، عدم تشابه مربوطه محاسبه شده است. سر انجام داده ها توسط روش خوشه بندی افراز حول مدوید، خوشه بندی شده و نتیجه ی خوشه­بندی توسط شاخص رند تعدیل یافته مورد ارزیابی قرار گرفته است. تمامی تحلیل ها با نرم افزار r انجام شده است. یافته ها: مقدار شاخص رند تعدیل یافته (۰/۸۱۴۹)، نشان دهنده ی انطباق مطلوب خوشه های تخمینی با گروه های واقعی است. همچنین با استفاده از قابلیت تعیین اهمیت متغیرها در روش جنگل تصادفی، ژن شماره ی ۳۱ موثرترین ژن در این خوشه بندی شناخته شد و توانستیم خوشه های تخمینی را تنها بوسیله ی این ژن توصیف کنیم. نتیجه گیری: عدم تشابه جنگل تصادفی، معیاری  کارا برای سنجش عدم تشابه داده ها در خوشه بندی داده های بیان ژنی است. همچنین می توان با استفاده از قابلیت متحصر به فرد این روش، ژن های موثر در خوشه بندی را شناسایی نموده و خوشه های تخمینی را به وسیله ی آن ها توصیف نمود.