به کار گیری الگوریتم های بیوانفورماتیک در تشخیص HIV1 و HIV2

بر طبق آخرین آمار اعلام شده توسط UNAIDSS تا پایان سال 2010، 43 میلیون نفر ناقلHuman immunodeficiency HIV) virus ) در دنیا زندگی می کرد که این آمار در سال 2001، 6/82 میلیون نفر گزارش شده بود. در سال 2010، 8/1 میلیون مورد مرگ ناشی از ایدز و 21% افزایش نسبت به سال 2005 گزارش شده است. ایدز در تمام دنیا به عنوان عامل منجر به مرگ ودر افریقا عامل شماره یک مرگ گزارش شده است و این در حالی است که روزانه بیش از 7000 انتقال ویروس در دنیا اتفاق میافتد. ویروس HIV متعلق به خانواده رتروویریده بوده و عامل بیماری ایدزacquired immunodeficiency syndrome (AIDS) می باشد. ژنوم ویروس RNA تک رشته مثبت بوده و ویروس از نوع پوشش دار است. در ابتدا 461 پروتئین از دیتا بیس پاتریک استخراج گردید که353 پروتئین متعلق به HIV1 شامل rev ،tat ،env ،pol ،gag، vpu ،vpr ،vif ،nef و 108 پروتئین متعلق بهHIV2 شاملvpx ،vpr ،vif ،nef ،rev ،tat ،env ،pol ،gag بودند. 894 فیچر برای هر پروتئین با استفاده از نرم افزارCLC Protein Workbench 5 به دست آمد. سپس فیچرهای به دست آمده به نرم افزار رپید ماینر وارد شده و مدل های دیتا ماینینگ بر روی آنها اجرا گردید. نتایج حاصل نشان می دهد که فراوانی دی پپتیدTyr-Thئr و تعداد دی پپتید Met-Pro و Ser-Cys در 70% و فراوانی دی پپتیدAsp- ، Phe-Gln ،Thr-Cys ،Ser-Cys Val و تعداد دی پپتید Asp-Val در 60% مدل های وزن دهی مهم می باشد. اجرای مدل SVM بر دیتا بیس اولیه و ده دیتابیس به دست آمده از مدل های وزن دهی توانست با 88% صحت بین HIV1 و HIV2 تمایز قائل شو د. همچنین اجرای مدل نورال نت توانست با 100% صحت بین دو گروه تمایز قائل شود که نشان از توان بالای این مدل می باشد. نتایج به دست آمده نشان می دهد به کار گیری مدل های آماری می تواند نقش به سزایی در تشخیص در سطح مولکولی داشته باشد. این مدل ها این توانایی را دارند که در سطوح متفاوت بیولوژی به کار گرفته شده و مدل های پیش بینی را قبل از بروز اعلام نمایند.

Keywords:

ایدز , HIV2 , HIV1 , مدل وزن دهی , شبکه عصبی , SVM