بررسي اثر برخي موتاسيون ژني در بيماري اندومتريوز با روش‌هاي داده كاوي

The Effect of some Genetic Mutations on Endometriosis Using Data Mining Techniques

زمينه وهدف: اندومتريوز يكي از بيماري هاي شايع در زنان ايراني است كه منجر به ناباروري و كم باروري در آن ها مي شود، بنابراين شناسايي علل ژنتيكي بيماري در زنان مي تواند به درمان آن كمك كند. با توجه به اينكه توارث ژنتيكي به عنوان يكي از عوامل مهم خطرساز بيماري اندومتريوز مي باشد لزوم تشخيص درست و زود هنگام اين بيماري با توجه به عوارضي كه در پي دارد دو چندان مي شود. از اين رو مطالعه ي حاضر جهت تعيين اثر برخي از موتاسيون هاي ژني در بيماري اندومتريوز با روش هاي داده كاو ي انجام گرديد. روش بررسي: در اين پژوهش اثر 9 ژن دخيل در بيماري اندومتريوز بر روي افراد مبتلا به اندومتريوز و افراد سالم (جمعا 260 نمونه) بررسي شد. داده هاي مورد استفاده در اين پژوهش، از مركز درمان فوق تخصصي ناباروري پژوهشگاه فن آوري هاي نوين علوم زيستي جهاد دانشگاهي ابن سينا دريافت شد. مراحل اجراي پژوهش مبتني بر فرايند استاندارد كريسپ در داده كاوي بود. مدل سازي به كمك چهار الگوريتم داده كاوي و در نرم افزارWeka 7/3 )University of Waikato, New Zealand( پياده سازي شد. يافته ها:با مقايسه ي چهار الگوريتم، مشاهده شد كه مدلKStar بالاترين ميزان دقت را دارا مي باشد و فيلتر اعمال شده بر روي ويژگي ها سبب كاهش درصد مدل ها شد ولي بر روي مدل MLP تاثير مثبتي داشت. همچنين پايين ترين درصد مربوط به روش Naiuml ve Bayes بود. نتيجه گيري: مدلKStar بدون اعمال هيچگونه فيلتر با نتيجه اي برابر 61/99 بالاترين ميزان دقت را در تشخيص زود هنگام بيماري اندومتريوز دارا مي باشد.

Background and Objective: Endometriosis is a prevalent disease in women which may lead to infertility or low fertility. Grasping the genetic grounds for the disease may contribute to its treatment because it is presumed that genetic factors predispose to endometriosis risk factors. Materials and Methods: 9 genes involved in endometriosis in patients suffering from endometriosis and also in healthy individuals (total 260 sles) were examined. The data were obtained from Ibn Sina (Jahad Daneshgahi) Research Center of new Technologies in Biological Sciences Institute. The study incorporated standard process Crisp for data mining. Weka data mining and software modeling were implemented with the aid of four algorithms. Results: Comparison of four algorithms implied prominent accuracy of KStar model. Meanwhile, filtering, while reducing the percentage of models, presented a positive impact on the MLP model. The lowest percentage pertained to Naiuml ve Bayes. Conclusion: KStar model without any filtering proved to have the highest accuracy in the early diagnosis of endometriosis.