تشخیص ژن های مرتبط با میزان تأثیر شیمی درمانی با استفاده از یک الگوریتم تجمیعی

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 506

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICIKT08_055

تاریخ نمایه سازی: 5 بهمن 1395

Abstract:

سرطان سلول غیرکوچک ریه، به عنوان رایج ترین نوع سرطان ریه، یکی از عوامل اصلی مرگ و میر در جهان است. این مسئله به علت تشخیصدیرهنگام این بیماری، که اغلب در مراحل پیشرفته صورت می گیرد، می باشد. جراحی به همراه شیمی درمانی کمکی، درمان های پیشنهاد شدهبرای سرطان سلول غیرکوچک ریه می باشد. این مطالعه برآن است تا به کمک متد پیش پردازش هوشمند، سودمندی/ بیهودگی شیمی درمانیروی بیماران مبتلا به این سرطان را پیش بینی نماید. جهت انتخاب ژن های مرتبط با شیمی درمانی از یک الگوریتم تجمیعی هدفمند انتخابزن، بهره گرفتیم. دسته بند NB برای دسته بندی نمونه ها به کار گرفته شده است و ارزیابی نتایج، به کمک fold cross validation10 صورتپذیرفته است.با استفاده از الگوریتم تجمیعی پیشنهادی، و به کمک 2 ژن، به دقتی بالاتر از دقت کارهای انجام شده در این حوزه دست یافته ایم. از آنجاکه شیمی درمانی فرایندی پرهزینه از بعد زمانی و اقتصادی می باشد، مدل پیشگوی ما می تواند از انجام شیمی درمانی غیر ضروری در مواردبیهوده پیشگیری نماید. هدف اصلی این پژوهش، یافتن ژن های مرتبط با شیمی درمانی و دسته بندی بیماران به کمک آن می باشد. با توجهبه نتایج امید بخش به دست آمده، می توان گفت، متد انتخاب ژن هوشمند تجمیعی پیشنهادی، کیفیت دسته بندی را به طور چشم گیری بهبودبخشیده است.

Authors

رقیه اسماعیلی نفط چالی

دانشگاه تربیت مدرس-دانشکده مهندسی برق و کامپیوتر

محمد صنیعی آباده

دانشگاه تربیت مدرس-دانشکده مهندسی برق و کامپیوتر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • R. Arriagada, A. Dunant, J.P. Pignon, et al., Long-term results ...
  • G.M. Strauss, J.E. Herndon, M.A. Maddaus, et al., Adjuvant paclitaxel ...
  • I. Guyon, J. Weston, S. Barnhill, V. Vapnik, Gene selection ...
  • E. Lotfi, A. Keshavarz, Gene expression microarray cancer: it does ...
  • AA. Badawy, A. El-Hindawi, O. Hammam, M. Moussa, S. of ...
  • H. Tang, G. Xiao, C. Behrens, et al., A 12-gene ...
  • R.K. Van laar, Genomic signatures for predicting survival and cancer, ...
  • T. Mukohara, S. Kudoh, K. Matsuura, S. Yamauchi, T. adjuvant ...
  • non-small Cel lung cancer, J. Natl. Cancer Inst. 103 (24) ...
  • Y. Xie, J.D. Minna, Non-small-cel lung cancer mRNA expression signature ...
  • Y. - C. Chen et al., Risk classification of cancer ...
  • Y.-C. Chen et al., Cancer adjuvant chemotherapy strategic classification by ...
  • ]11[S. Karimi, M. Farrokhnia, Leukemia and small round blue- cell ...
  • Y. Saeys, I. Inza, P. L. naga, a review of ...
  • V. Elyasigomari, et al., Cancer classification using a novel gene ...
  • J. Novakovic, P. Strbac, D. Bulatovic, Toward Optimal Feature Selection, ...
  • Hsieh et al., Transcription factor and mi croRNA-regu lated network ...
  • نمایش کامل مراجع