پيش‌بيني اهداف microrna هاي دخيل در سرطان سينه با استفاده از روش‌هاي بيوانفورماتيكي

Prediction of MicroRNAs (miRNAs) Targets in Breast Cancer Using Bioinformatics Methods

پيش بيني اهداف mirna ها از اهميت ويژه اي برخوردار است. توسعه روش هاي محاسباتي و متعاقباً صرفه جويي در هزينه و زمان پژوهش هاي آزمايشگاهي، تاثير به سزايي در افزايش سرعت ساخت داروهاي درماني از جمله داروهاي ضد سرطاني دارد. با توجه به اين كه زمان كمي از شناخت mirna ها مي گذرد، روند پژوهش ها در ابتدا كند بود. اما به مرور با شكل گيري ديتابيس هاي بيولوژيكي و درك اهميت آن ها، دانشمندان بر روي اين زمينه سرعت مطالعات و توجه خود را افزايش داده اند. تاكنون چندين روش كامپيوتري براي پيش بيني اهداف mirnaها ساخته شده است ولي اكثر اين روش ها داراي نرخ بالايي از مثبت هاي اشتباه هستند و هنوز جا براي بهبود اين روش ها وجود دارد. از آنجا كه مطالعات جديد نشان مي دهد كه mirnaها در بافت هاي مختلف داراي اهداف متفاوتي هستند، هدف از اين مقاله ارائه يك روش كامپيوتري براي پيش بيني اهداف، در سرطان سينه مي باشد، تا به اين طريق با اطمينان بيشتري بتوان به پيش بيني اهداف در اين سرطان پرداخت.روش: در اين پژوهش، ابتدا انواع ويژگي ها استخراج شده، سپس ويژگي هاي برتر توسط دو روش cfs و relieff انتخاب گرديدند. انواع مدل هاي هوشمند از جمله شبكه عصبي، ماشين بردار پشتيبان با سه هسته متفاوت، الگوريتم نائيوبيز و درخت تصميم گيري random forest بر روي داده ها با روش اعتبارسنجي ضربدري 10تايي تست و نتايج آن ها با يكديگر مقايسه و تحليل شد. سپس براي تاييد نتايج حاصل از داده هاي بيان ژن بهره گرفته شد.نتايج: با استفاده از اين روش 124 اثر متقابل عملگر، شامل 21 mirna و 38 mrna، در سرطان مورد نظر پيش بيني گرديد.نتيجه گيري: اين رويكرد از لحاظ بيوانفورماتيكي براي سرطان سينه مورد تاييد قرار گرفت اما براي تاييد بيشتر اين پيش بيني ها، نياز به استفاده از روش هاي آزمايشگاهي مي باشد.

Introduction: Prediction of MicroRNAs (miRNAs) targets has a major importance. Development of calculating methods and also cost-effective and time-saving laboratory researches, has great effect on the production of therapeutic medicines like anti cancerous drugs. Since miRNAs have been recently identified, the researches trend was slow at first but by development of biologic databases and understanding its importance, scientists enhanced the speed of studies and paid more attention to this field. Until now, several computerized methods have been developed for prediction of microRNAs (miRNAs) targets but most of these methods have high false positive and further studies are required to improve these methods. Since, recent studies show that miRNAs have different targets in several tissues, this study aimed to provide a computerized method for prediction of miRNAs target in breast cancer. Method: In this study, at first, all types of features were extracted, then, dominant features were selected via CFS and Relief methods. Smart models such as nervous network, Support Vector Machine with three different cores, Naïve Bayes algorithm and Random Forest decision tree using ten cross accreditation method were tested and its results compared and analyzed. In order to validate the results, gene expression profiling was used. Results: Analyzing miRNA and gene expression profiles, the classifier predicted 124 functional interactions involving 21 miRNAs and 38 mRNAs in breast cancer. Conclusion: In terms of bioinformatics, this approach was validated for breast cancer but for further validation, experimental methods also should be used.