ماهنامه علمی پ‍ژوهشی

چکیده

مقدمه: درختان تصمیم از ابزارهای داده‎کاوی برای جمع‎آوری ، پیش‌بینی دقیق و غربال کردن اطلاعات از حجم عظیم داده‎هاست که کاربرد گسترده‎ای در زمینه زیست‎شناسی محاسباتی و بیوانفورماتیک پیدا کرده‎اند. در بیوانفورماتیک می‎توان پیش‎بینی‎ هایی بر روی بیماریها ازجمله سرطان سینه را داشت. استفاده از داده های ‍ژنومی از جمله چند شکلی‎های تک نوکلئوتیدی در پیش‎بینی ریسک ابتلا به بیماریهای چند عامله از اهمیت خاصی برخوردار است. تعداد هفت SNP مهم  از بین صدها هزار مارکر ژنتیکی به عنوان عوامل مرتبط با سرطان سینه شناسایی شدند. هدف ازاین تحقیق بررسی داده‎های آموزش روی خطای درخت تصمیم پیش‎بینی کننده ریسک ابتلا به سرطان سینه با استفاده از ژنوتیپ چند شکلی‎های تک نوکلئوتیدی است.

روش بررسی:احتمال ابتلا به سرطان‎سینه با استفاده از SNP های مرتبط با فرمول x_{j =} f_o *   محاسبه گردید. برای پیش‎بینی احتمال بیماری با استفاده از چندشکلی‎های تک نوکلئوتیدی در انسان می‎توان از درختان تصمیم استفاده کرد. هفت SNP با نسبت‎های مختلف بخت مرتبط با سرطان سینه درنظرگرفته و کد‎نویسی و طراحی درخت تصمیم مدل C4.5، با زبان برنامه نویسی Csharp2013 انجام‎شد. در درخت تصمیم ایجادشده با کدنویسی، چهار SNP مهم مرتبط لحاظ‎شد. خطای درخت تصمیم دردو حالت کدنویسی و استفاده از نرم‎افزارWEKAارزیابی و درصد دقت درخت تصمیم در پیش ‎بینی بروز سرطان سینه محاسبه گردید.  تعداد نمونه آموزش داده شده با نمونه‎گیری سیستماتیک استخراج گردید. باکدنویسی، دو سناریو و همچنین با نرم افزار WEKA ،  سه سناریو با تعداد مجموعه داده‎های مختلف، تعداد مجموعه آموزش و آزمایش مختلف،  مورد ارزیابی قرار گرفت.

نتایج: با روش کدنویسی در دو سناریو با افزایش درصد آموزش از 66/66 به 42/86 ، خطا از 56/55 به 09/9 کاهش یافت. همچنین با اجرای نرم افزار WEKA در سه سناریو با تعداد مجموعه داده‎های مختلف، تعداد مجموعه آموزش مختلف، و آزمایش مختلف با افزایش تعداد رکوردها از  81 به 2187، میزان خطا از 15/48 به 46/13 کاهش یافت. همچنین در اکثر سناریوها درصد شیوع بیماری در میزان خطا در کد و WEKA تاثیری نداشت.

نتیجه‎گیری: نتایج نشان می‎دهد با افزایش میزان آموزش، خطای درخت تصمیم کاهش و درنتیجه دقت پیش‎بینی ریسک ابتلا به سرطان سینه با استفاده از درخت تصمیم افزایش می‎یابد. در داده‎های بیولوژی به‎دلیل حساسیت مدلهای پیش‎بینی‎کننده، خطای درخت تصمیم حتی با  66/66% آموزش بالا است. از طرفی با افزایش تعداد SNP درخت تصمیم از 4 به 7 مارکر، خطای درخت تصمیم با 1/70 % آموزش،  به‎طور چشمگیری کاهش داشت. در مجموع می‎توان گفت که با افزایش رکوردهای مجموعه آموزش و همچنین افزایش تعداد ویژگی   SNPدر درخت تصمیم، دقت پیش بینی افزایش و خطا کاهش می‎یابد. همچنین درصد شیوع بیماری در میزان خطا به دلیل انتخاب مجموعه های آموزش و آزمایش به روش سیستماتیک،  در کد طراحی شده در این تحقیق  و نرم افزار موجود WEKA   تاثیری ندارد.