این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۲، صفحات ۹۷-۱۱۴
عنوان فارسی ترکیب یک روش خوشه‌بندی تجمعی و یک معیار شباهت جدید برای مدل‌سازی رفتار وراثتی بیماری‌ها
چکیده فارسی مقاله امروزه تئوری‌های بسیاری در مورد علل بروز بیماری‌های وراثتی وجود دارد، اما پزشکان معتقدند که دو فاکتور ژنتیک و محیط ‌زیست هم‌زمان باهم نقش مهمی در بروز و پیشرفت این بیماری‌ها ایفا می‌کنند، هرچند که چگونگی این اثرگذاری هنوز به‌طور دقیق مشخص نیست. برای اینکه بتوان ژن‌های مؤثر در بروز بیماری‌ها را تشخیص داد، باید ارتباط بین سلول‌ها/بافت­‌ها را به‌دست آورد. تعامل بین سلول‌ها یا بافت‌های مختلف را می‌توان، با بیان ژن بین آنها نشان داد. با نمونه‌­برداری از کروموزوم‌ها، اطلاعات مفیدی در مورد نوع بیماری و چگونگی انتقال آن استخراج می‌­شود. با بررسی این اطلاعات می‌­توان اختلالاتی را که منجر به تغییرات به‌شدت پرتکراری شده‌­اند شناسایی کرد. در این مقاله تشخیص ارتباط‌های بین سلولی و بین بافتی در بیماری‌های مختلف با توجه به مشخصات ساختار توپولوژیکی گراف و یک روش خوشه‌بندی تجمعی بهبودیافته انجام شده است. روش پیشنهای دو مرحله دارد؛ در مرحله نخست چندین مدل خوشه‌بندی به‌منظور تشخیص ارتباط‌های اولیه بین سلول‌ها یا بافت‌ها در جهت تولید نتایج بهتر نسبت به الگوریتم‌های انفرادی، ترکیب می‌شوند. در مرحله دوم تشابه بین سلول‌ها یا بافت‌ها در هر خوشه با استفاده از یک معیار شباهت مبتنی بر ساختار توپولوژیکی گراف محاسبه و درنهایت از بیشینه شباهت­‌های بین سلول­‌ها یا بافت‌­ها در هر خوشه برای کشف ارتباطات بین بیماری‌­ها استفاده می‌­شود. به‌منظور ارزیابی عملکرد روش پیشنهادی از چندین مجموعه‌داده UCI و همچنین مجموعه‌داده فانتوم پنج استفاده شده است. نتایج روش پیشنهادی روی مجموعه داده فانتوم پنج، ضریب سیلوئت 901/0 را در 18 خوشه برای سلول­‌ها و 762/0 در 13 خوشه برای بافت­‌ها را گزارش می­‌کند.
کلیدواژه‌های فارسی مقاله ارتباط بین سلولی، خوشه‌بندی بهبودیافته، ساختار توپولوژیکی گراف، مجموعه‌داده فانتوم 5
عنوان انگلیسی Combining an Ensemble Clustering Method and a New Similarity Criterion for Modeling the Hereditary Behavior of Diseases
چکیده انگلیسی مقاله Background: There are many theories about the causes of hereditary diseases, but physician believe that both the genetic and environmental factors simultaneously play an important role in the development and progression of these diseases, although the extent to which this effect is not yet clear. In order to detect effective genes in the development of diseases, it is necessary to achieve the relationship between cells/tissues. Objective: In fact, inter-cell or inter-tissue communications indicate the hereditary relationships between patients. Detecting these communications help to identify common parts of the body that are influenced by various diseases. The interaction between different cells/tissues can be demonstrated by expressing the gene between them. By sampling chromosomes, useful information is obtained about the type of disease and how it is transmitted. By examining this information, you can identify disorders that have led to highly altered changes. In previous research, various clustering methods have been used to discover the links between diseases based on gene expression data. However, ensembl clustering approaches have not yet been used for this purpose. Method: In this paper, the recognition of intercellular and inter-tissue interactions in various diseases have been done according to the characteristics of the topological structure of the graph and an improved ensembl clustering method. The proposed clustering algorithm uses an agreed similarity function to measure the similarity between objects. The proposed method has two stages; in the first step, several clustering models are combined to identify the initial relationships between cells or tissues in order to produce better results than individual algorithms. In the second stage, the similarity between cells or tissues in each cluster is calculated by using a similarity criterion based on the topological structure of the graph. Eventually, the maximum similarity between cells or tissues in each cluster is used to discover the relationship between diseases. In addition, an algorithm for improving the uncertainty of objects is evaluated by allocating them to other clusters in order to enhance the quality of the final clusters. Results: To evaluate the performance of the proposed method, several UCI datasets and the FANTOM5 dataset have been used. The results of the proposed method on the phantom data set 5 report a silhouette of 0.901 in 18 clusters for cells and 0.762 in 13 clusters for tissues. Conclusion: The conducted evaluations have confirmed the power of the proposed clustering algorithm in terms of accuracy. Clustering of cells or tissues has increased the accuracy and concentration of the topological similarity criterion of the graph in the range of similarity of cells or tissues.
کلیدواژه‌های انگلیسی مقاله Intercellular communication, Improved clustering, Graph topological structure, FANTOM5 dataset
نویسندگان مقاله موسی مجرد | musa mojarad
Department of Computer Engineering, Firoozabad Branch, Islamic Azad University
دانشگاه آزاد اسلامی، واحد فیروزآباد

حمید پروین | hamid parvin
Department of Computer Engineering, Nourabad Mamasani Branch, Islamic Azad University
دانشگاه آزاد اسلامی، واحد نورآباد ممسنی

صمد نجاتیان | samad nejatiyan
Department of Electrical Engineering, Yasooj Branch, Islamic Azad University
دانشگاه آزاد اسلامی، واحد یاسوج

کرم الله باقری فرد | Karam allah Bagheri Fard
Department of Computer Engineering, Yasooj Branch, Islamic Azad University
دانشگاه آزاد اسلامی، واحد یاسوج

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1763-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات