كاوش و استخراج برهم‌ كنش‌هاي پروموتر / انهنسر بالقوه در ژنوم افراد سرطاني با استفاده از يك الگوريتم چند هدفه تكاملي

Detection and Extraction of Potential Promoter/Enhancer Interactions in Genome of Cancer Patients using an Evolutionary Multi-Objective Algorithm

سرطان به عنوان يكي از شايع‌ترين انواع بيماري‌ها، سلامت بسياري از انسان‌ها را تحت تأثير قرار داده است. هدف اصلي در اين مقاله، ارائه يك الگوريتم تكاملي چندهدفه مي‌باشد. اين الگوريتم، با استفاده از اطلاعات برهم‌كنش بين ژنومي در كروموزوم‌هاي افراد مبتلا به سرطان، ناحيه‌هاي بالقوه پروموتر/انهنسر را كشف و استخراج مي‌كند. استخراج صحيح اين ناحيه‌ها مي‌تواند به علم پزشكي در تشخيص زودهنگام بيماري سرطان كمك كند. روش: پژوهش حاضر از نوع كاربردي و توصيفي مي‌باشد. در اين پژوهش از مجموعه داده Hi-C شامل اطلاعات مربوط به برهم‌كنش‌هاي بين ژنومي، در سلول GM12878 استفاده شد. جهت كشف و استخراج پروموتر/انهنسر‌هاي بالقوه از الگوريتمي تكاملي و چندهدفه استفاده شد. الگوريتم مذكور با استفاده از نرم‌افزار متلب پياده‌سازي گرديد. همچنين كارايي اين الگوريتم نيز، با استفاده از دو معيار مورد ارزيابي قرار گرفت. معيار اول، تابع تناسبي است كه ميزان برهم‌كنش‌هاي بين ژنومي نسبت به طول نواحي ژنوم را محاسبه مي‌كند و معيار دوم تعداد پروموتر/انهنسر‌هاي بالقوه كشف شده مي‌باشد. نتايج: نتايج و مقايسه‌هاي انجام گرفته در اين پژوهش، نشان از كارايي بالا و بهينه بودن روش پيشنهادي در كشف پروموتر/انهنسر با طول متغير نسبت به روش HiC-Pro مي‌باشد؛ بنابراين روش پيشنهادي مي‌تواند پروموتر/انهنسر‌هاي بالقوه‌اي را كشف كند كه روش HiC-Pro قادر به كشف آن نيست. نتيجه­ گيري: با توجه به نتايج به دست آمده، الگوريتم پيشنهادي قادر به كشف و استخراج بهينه پروموتر/انهنسر‌هاي بالقوه با طول متغير مي‌باشد، كه مي‌تواند در تشخيص زودهنگام سرطان كمك شاياني به علم پزشكي كند.

Introduction: Cancer, as one of the most common diseases, has influenced the health of many people. The main aim of this study was to present a multi-objective evolutionary algorithm. The algorithm is capable of detecting and extracting potentially promoter/enhancer areas in the chromosomes of the affected people using the information concerning inter-genomic interactions. The correct extraction of these areas can help early diagnosis of cancer. Methods: In this applied and descriptive research, Hi-C data set including information on intergenomic interactions in the GM12878 cell was used. Multi-objective evolutionary algorithm was used in order to discover and extract potential promoter /enhancer interactions. The mentioned algorithm was implemented using MATLAB software. Furthermore, the efficiency of this algorithm was evaluated using two criteria. The first criterion is a proportional function that calculates the magnitude of inter-genomic interactions relative to the length of the genome regions; and the second criterion is the number of discovered potential promoters/enhancers. Results: The results and comparisons showed higher efficiency and optimality of the suggested method in discovering promoter/Enhancer interactions with variable length in comparison to HiCPro method. Therefore, the suggested method is able to discover the potential promoter/ enhancer interactions that cannot be discovered by HiC-Pro method. Conclusion: The suggested algorithm is able to optimally discover and extract potential promoter/ enhancer with variable length. This is a great help in medical science for early diagnosis of cancer.