fa بهبود استنتاج شبکه‌های تنظیم بیان ژن با رویکرد تجمیع داده‌ها بیوانفورماتیک Bioinformatics پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="color:#000000;"><span style="font-size:12px;"><strong>مقدمه:</strong> عمده‌ترین موضوع بر سر راه آینده بیوانفورماتیک طراحی ابزارهایی جهت مشخص کردن عملکردها و تمامی محصولات ژن‌های یک سلول است. این امر نیاز به ادغام رشته‌های متفاوت بیولوژیکی و همچنین ابزارهای پیچیده ریاضی و آمار دارد. &nbsp;در این تحقیق نشان داده &shy;شد که می&shy;توان با استفاده از تکنیک &shy;های داده &shy;کاوی مدل&shy; هایی برای تشخیص سبک زندگی افراد از لحاظ پرخطر یا کم &shy;خطر بودن برای ابتلاء به سرطان روده بزرگ توسعه داد.<br> <strong>روش:</strong> در این بررسی گذشته&shy; نگر، مجموعه&shy; داده&shy;ای شامل 84 فرد بیمار و 225 فرد سالم، شامل 25 خصیصه جمع‌آوری شد. این اطلاعات شامل بیمارانی است که تشخیص آن&shy;ها مربوط به سال&shy;های 1385 تا سه ماهه اول 1393 می&shy;باشد. از پرکاربردترین تکنیک &shy;ها در ادبیات انفورماتیک پزشکی شامل ماشین بردار پشتیبان، بیزین ساده، درخت تصمیم و نزدیک‌ترین همسایگی برای توسعه مدل&shy; ها استفاده شد.<br> <strong>نتایج:</strong> مدل&shy; های توسعه داده شده با کارایی قابل قبولی، قادر به تشخیص سبک زندگی افراد هستند. سنجه غیرتکنیکی توسعه داده شده به خوبی می&shy;تواند ارزش واقعی تک‌تک پیش&shy;بینی&shy; ها، چه درست و چه نادرست را با هزینه&shy; های واقعی مشخص کند و یک میزان واقعی از هزینه&shy; های صرفه&shy; جویی شده در نظام سلامت توسط هر مدل را نشان دهد. از میان مدل&shy; های توسعه داده شده تنها دو مدل توانست معیارهای تعیین شده جهت استفاده در دنیای واقعی را ارضا کند.<br> <strong>نتیجه&shy; گیری:</strong> مدل &shy;های توسعه داده شده نه تنها باید از لحاظ تکنیکی ارزیابی شوند، بلکه باید از لحاظ سنجه&shy; های مورد پذیرش برای حوزه پزشکی و همچنین قابلیت اجرا برای حل واقعی مسئله نیز بررسی گردند. </span></span></span></div> <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>Introduction:</strong> The major issue for the future of bioinformatics is the design of tools to determine the functions and all products of single-cell genes. This requires the integration of different biological disciplines as well as sophisticated mathematical and statistical tools. This study revealed that data mining techniques can be used to develop models for diagnosing high-risk or low-risk lifestyles for colorectal cancer.<br> <strong>Method:</strong> In this retrospective study, a dataset consisting of information relevant to 84 patients and 225 healthy individuals with 25 attributes was collected. This information was on patients diagnosed from 2006 to the first quarter of 2014. The most widely used techniques in the medical informatics literature including support vector machine, Naive Bayes, decision tree, and k-nearest neighbor were used to develop the models.<br> <strong>Results:</strong> The developed models are able to distinguish people&#39;s lifestyles efficiently. A well-developed non-technical measure can properly determine the true value of individual predictions, whether true or false, at actual costs, and indicate a true measure of the cost savings in the health system by each model. Among the developed models, only two models were able to meet the criteria set for use in the real world.<br> <strong>Conclusion:</strong> The developed models should not only be technically evaluated, but should also be examined in terms of metrics accepted for the medical field as well as feasibility for real problem solving.</span></span><span dir="RTL"></span></div> شبکه تنظیم بیان ژن, استنتاج شبکه تنظیم بیان ژن, الگوریتم انتشار, ادغام داده‌ها Gene Expression Regulatory Network, Gene Expression Regulatory Network Inference, Propagation Algorithm, Data integration 201 213 http://jhbmi.ir/browse.php?a_code=A-10-612-1&slc_lang=fa&sid=1 Atefeh Naseri عاطفه ناصری a.naseri@alzahra.ac.ir 10031947532846005969 10031947532846005969 No کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه الزهرا (س)، تهران، ایران Seyed Mohammad Hossein Hasheminejad سیدمحمدحسین هاشمی نژاد tmuhashemi@gmail.com 10031947532846005970 10031947532846005970 Yes Ph.D. in Computer Engineering, Assistant Professor, Computer Engineering Dept., Faculty of Engineering, Alzahra University, Tehran, Iran دکتری مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه الزهرا (س)، تهران، ایران Mehran Sharghi مهران شرقی msharghi@gmail.com 10031947532846005971 10031947532846005971 No Ph.D. in Computer Engineering, Assistant Professor, Computer Engineering Dept., Faculty of Engineering, Alzahra University, Tehran, Iran دکتری مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه الزهرا (س)، تهران، ایران