Journal of Health and Biomedical Informatics

fa شناسایی قطعات الیگونوکلئوتیدی شاخص در ژنوم ویروس هپاتیت سی در فرار از مکانیسم اینترفرونی با استفاده از روش‌های وزن دهی در داده کاوی Identification of Key Oligonucleotide Fragments in the Hepatitis C Virus Genome in Evasion of Interferon Mechanisms Using Weighting Algorithms داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;">مقدمه: حضور قطعات کوتاه الیگونوکلئوتیدی تشکیل دهنده ژنوم ویروس‌ها، منحصر به فرد بوده و تفاوت در فراوانی آن‌ها در بین گونه‌های مختلف، نقش بسزایی در بیماری‌زایی گونه ویروسی‌، فرار از سیستم ایمنی و پاسخ به درمان ضد ویروسی  ایفا می‌کند. داده‌کاوی و استفاده از مدل‌های وزن‌دهی از جمله روش‌هایی است که به نظر می‌رسد در شناسایی این قطعات شاخص می‌تواند کمک کننده باشد. با توجه به اهمیت حضور قطعات الیگونوکلئوتیدی شاخص در توالی ژنومی ویروس هپاتیت C در مقاومت به درمان اینترفرونی و فرار از سیستم ایمنی ذاتی میزبان در این مطالعه تصمیم گرفته شد این قطعات شاخص، با به کارگیری مدل‌های وزن‌دهی بر روی توالی ژنومی ویروس هپاتیت C مورد شناسایی قرار گیرد. روش کار: در این مطالعه تصمیم گرفته شد برای اولین بار، با به کارگیری ده مدل مختلف وزن‌دهی‌، قطعات الیگونوکلئوتیدی کوتاه از جمله، توالی‌های دی نوکلئوتیدی، تری نوکلئوتیدی و تترا نوکلئوتیدی  متمایز کننده دو گروه افراد آلوده به ویروس هپاتیت C (HCV)، با پاسخ درمانی متفاوت  به داروی اینترفرون (INF) مورد شناسایی  قرار گیرد. برای این هدف، ده مدل الگوریتم وزن‌دهی (‌Weighting algorithms)، بر روی فراوانی نسبی قطعات الیگونوکلئوتیدی کوتاه تشکیل دهنده ژنوم HCV‌، در ژنوتیپ 1a,1b و 2b در دو گروه از بیماران مقاوم و حساس به درمان اینترفرونی با استفاده از نرم افزار Rapid Miner اجرا و مورد ارزیابی قرار گرفت. یافته‌ها: در ادامه تعدادی از قطعات الیگونوکلئوتیدی‌، از جمله UU, UA, UC در بین توالی‌های دی نوکلئوتیدی و  ,GUA, CUA, CGUA در بین توالی‌های تری نوکلئوتیدی و تترانوکلئوتیدی به طور معنی‌داری در بین دو گروه از افراد متفاوت بودند، که با توجه به مطالعات قبلی حضور این توالی‌ها نقش مهمی در پاسخ اینترفرونی بر علیه ویروس‌ها ایفا می‌کند.  نتیجه‌گیری: نتایج این مطالعه نشان داد که  با به کارگیری مدل‌های مختلف وزن‌دهی در داده کاوی می‌توان شاخص‌های مهم ژنومی ویروس را که در فرار سیستم ایمنی میزبان و درمان‌های  ضد ویروسی  مؤثر هستند، در مراحل اولیه پیش‌بینی کرده و در ادامه، در مطالعات تجربی، برای طراحی دارو و واکسن آن‌ها را مورد هدف قرار داد.   </div> <div style="text-align: justify;">Introduction: The presence of short oligonucleotide fragments that constitute the viral genome is unique, and the variation in their abundance among different species significantly influences the pathogenicity of viral strains, evasion of the immune system, and response to antiviral treatment. Data mining and the use of weighting models are effective methods for identifying these characteristic fragments. Given the importance of oligonucleotide fragments in the genomic sequence of the hepatitis C virus (HCV) concerning resistance to interferon treatment and evasion of the host's innate immune system, this study aims to identify these characteristic fragments using weighting models applied to the HCV genomic sequence. Method: In this study, we employed ten different weighting models for the first time to identify short oligonucleotide fragments, including distinguishing dinucleotide, trinucleotide, and tetranucleotide sequences, between two groups of individuals infected with HCV who exhibit different therapeutic responses to interferon (INF) treatment. Ten weighting algorithms were executed and evaluated based on the relative abundance of short oligonucleotide fragments constituting the HCV genome in genotypes 1a, 1b, and 2b from two groups of patients resistant and sensitive to interferon treatment using Rapid Miner software. Results: Several oligonucleotide fragments, including UU, UA, and UC among dinucleotide sequences, and GUA, CUA, and CGUA among trinucleotide and tetranucleotide sequences, showed significant differences between the two groups. Previous studies indicate that the presence of these sequences plays a crucial role in the interferon response against viruses. Conclusion: The results of this study suggest that employing various weighting models in data mining can help predict important genomic indicators of the virus that are effective in evading the host's immune system and antiviral treatments at early stages. These indicators can subsequently be targeted in experimental studies for drug and vaccine design.</div> مدل‌های وزن‌دهی, داده‌کاوی, توالی ژنومی, قطعات الیگونوکلئوتیدی Weighting algorithms, Data mining, Genome sequences, Oligonucleotide fragments 124 131 http://jhbmi.ir/browse.php?a_code=A-10-1189-1&slc_lang=fa&sid=1 Zahra Arab‐Bafrani زهرا عرب بافرانی arabbafrani@goums.ac.ir 100319475328460010564 100319475328460010564 No Associate Professor, PhD in Medical Physics, Metabolic Disorders Research Center, Golestan University of Medical Sciences, Gorgan, Iran دانشیار، دکترای فیزیک پزشکی، مرکز تحقیقات اختلالات متابولیک ، دانشگاه علوم پزشکی گلستان، گرگان، ایران Majid Nikoubin‐Boroujeni مجید نیکوبین بروجنی m.nikoubinboroujeni@iau.ir 100319475328460010565 100319475328460010565 No M.Sc. in Software Engineering, Department of Computer Engineering, Gorgan Branch, Islamic Azad University, Gorgan, Iran کارشناسی ارشد مهندسی نرم افزار، گروه مهندسی کامپیوتر، واحد گرگان، دانشگاه آزاد اسلامی، گرگان، ایران Elham Mousavi الهام موسوی e.mousavi@kmu.ac.ir 100319475328460010566 100319475328460010566 Yes Assistant Professor, PhD in Medical Virology, Medical Mycology and Bacteriology Research Center, Kerman University of Medical Sciences, Kerman, Iran استادیار، دکترای ویروس‌شناسی پزشکی، مرکز تحقیقات قارچ شناسی و باکتری‌شناسی پزشکی‌، دانشگاه علوم پزشکی کرمان، کرمان، ایران