ارائه روشی برای تشخیص بیماری سرطان به کمک داده کاوی پروتئوم انسان
Abstract(in Persian; no English abstract is available)
پروتئین به عنوان محصول اصلی ژن و عامل اصلی فعل و انفعالات سلول، می تواند کلید حل معمای سرطان باشد. از آنجا که شناخت پروتئینها، به منظور درک فرآیندهای متابولیکی جاری بدن لازم بوده و بسیاری از بیماری ها خود را در سطح پروتئینی نشان میدهد، و با توجه به اینکه مطالعه ژنوم به تنهایی برای درک عملکرد پروتئین ها کافی نیست، تحقیقات پروتئومیکس طی یک دهه گذشته، به طور چشمگیری مورد توجه واقع شده است. یکی از زمینه های کاربردی پروتئومیکس، تمایز پروتئین ها در نمونه های سالم و بیمار است. یکی از روشهای متداول برای شناسایی پروتئین های موجود در یک ترکیب طیف نگاری جرمی پروتئین است. در روش طیف نگاری جرمی فراوانی نسبی پروتئین های موجود در یک ترکیب بر حسب نرخ جرم به بار این پروتئین ها رسم میشود. طیف جرمی نمونه خون افراد، حداقل 15000 نقطه داده فراهم میکند که پردازش آن را دشوار و چالش برانگیز می سازد. در این رساله 4 روش جدید برای آنالیز طیف جرمی و طبقه بندی سرطان و یک روش جدید برای بصری سازی اطلاعات طیف جرمی پروتئومیک ارائه شده است. روش اول یک چهارچوب bpso/svm برای شناسایی نشانگرهای زیستی سرطان است که در پایگاه دادگان سرطان تخمدان، منجر به انتخاب 3 ویژگی و طبقه بندی 100% گردید. این نتیجه بهترین نتیجه موجود (از نظر کاهش ویژگیها و دقت) در مقایسه با روش های پیشین است. استفاده از bpso/svm برای انتخاب ویژگی برای اولین بار در این رساله مطرح و تشریح شده است. سه روش دیگر مبتنی بر نحوه جدید نمایش اطلاعات طیف جرمی، ارائه شده اند. روش بصری سازی جدید، طیف جرمی را بصورت یک تصویر شدت نمایش میدهد. دو مورد از روشهای مبتنی بر این نوع نمایش، از آنالیز الگوی پروتئومیک بجای بررسی نشانگرها استفاده میکنند. در نخستین روش از روشهای سه گانه مذکور، طبقه بندی کننده فاصله با مرجع تصویر میانگین کلاس ها استفاده شد و نرخ طبقه بندی متوسط 96.50% را به همراه داشت. در روش بعدی، همانند سیستم های سنتی شناسایی الگو، از تبدیل موجک گسسته و نیز تبدیل کسینوسی گسسته برای استخراج ویژگی از تصاویر طیف جرمی بهره گرفتیم. که دقت شناسایی متوسط در مورد اول 99.64% و در مورد دوم 98.94% بدست آمد. سومین روش مبتنی بر تصویر طیف جرمی، از یک الگوریتم جدید شناسایی قله برای استخراج نشانگرهای زیستی و طبقه بندی کننده svm، برای ارزیای عملکرد سیستم سود می برد. این روش منجر به کاهش ویژگیهای طیفی جرمی به 340 و نرخ شناسایی 100% گردید.