این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۲۹، شماره ۱۷۴، صفحات ۰-۰
عنوان فارسی پیش‌بینی مقاومت دارویی ویروس HIV با استفاده از ماشین‌های بردار پشتیبان
چکیده فارسی مقاله مقدمه: پژوهش حاضر با هدف بررسی عملکرد روش یادگیری ماشین های بردار پشتیبان برای پیش بینی مقاومت دارویی ویروس HIV) یا (Human immunodeficiency virus استفاده از تحلیل دنباله ی آمینو اسیدها انجام گرفت. روش ها: در این مطالعه از ماشین های بردار پشتیبان استفاده شد؛ همچنین برای آموزش و آزمایش ماشین های بردار پشتیبان از نرم افزار LIBSVM) یا (Library for support vector machinesاستفاده گردید. یافته ها: نتایج حاصل از مطالعه ی حاضر بر روی چهار روش بیولوژیکی که برای تفسیر نتایج تست های ژنوتیپی ارایه گردیده بود، بررسی شد. با مقایسه ی نتایج، بهترین روش بیولوژیکی برای هر دارو مشخص گردید. ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس HIV با دقت 77/98-27/86 عمل می کند. با توجه به پارامترهای اندازه گیری شده، اعمال ماشین های بردار پشتیبان بر روی نتایج روش (HIVDB) HIV RT and protease sequence database برای داروهای Amprenavir (APV)، (NF) Nelfinavir،Abacavir ABC)) ،AZT) Zidovudine)، (D4T) Stavudine، DDI) Didanosine)، (TDF) Tenofovir disoproxil fumarate، Delavirdine (DLV) و بر روی نتایج روش ANRS) Agence national de recherches le SIDA)، برای داروهای (IDV) Indinavir، 3TC) Lamivudine)، TDF) Tenofovir disoproxil fumarate)، Efavirenz ((EFV وNVP) Nevirapine ) بهترین نتایج را داشته است. برای داروهای LPV) Lopinavir) و AZT) Zidovudine) ماشین های بردار پشتیبان برای نتایج روش Rega institute REGA)) عملکرد خوبی ارایه نموده است و نیز برای داروهای IDV، LPV، RTV) Ritonavir)، (SQV) Saquinavir و DDI ماشین های بردار پشتیبان برای روش Visible genetics ((VGI عملکرد خوبی داشته است. نتیجه گیری: ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس HIV عمل می کند. می توان هنگام استفاده از هر دارو برای درمان، قبل از شروع درمان ابتدا مقاومت دارویی را با استفاده از روش های یادگیری ماشین، تعیین کرد.
کلیدواژه‌های فارسی مقاله ایدز، ماشین بردار پشتیبان، مقاومت دارویی
عنوان انگلیسی Predicting Human Immunodeficiency Virus Drug Resistance Using Support Vector Machines
چکیده انگلیسی مقاله Background: The purpose of this study was to investigate the performance of support vector machines (SVMs) in predicting human immunodeficiency virus (HIV) drug resistance using amino acids sequence analysis. Methods: In order to evaluate the performance of SVMs in predicting HIV drug resistance, SVMs were trained and tested using LibSVM software. Biological methods developed by HIV database (HIVDB), Visible Genetics Inc. (VGI) and the French National Agency for AIDS Research (ANRS) and REGA algorithm were employed to interpret the results of HIV genotypic resistance tests. The results were compared and the most efficient method for each drug was finally determined. Findings: With an accuracy of 86.27- 98.77, SVMs are highly successful classifiers for predicting HIV drug resistance. Using SVMs for HIVDB results has the best performance for amprenavir (APV), nelfinavir (NFV), abacavir (ABC), zidovudine (AZT), stavudine (D4T), didanosine (DDI), tenofovir disoproxil fumarate (TDF), and delavirdine (DLV). Using SVMs for the results of ANRS method has the best performance for indinavir (IDV), lamivudine (3TC), TDF, efavirenz (EFV), and nevirapine (NVP). Using SVMs for REGA results has the best performance for lopinavir (LPV) and AZT. Finally, using SVMs for the results of VGI method has the best performance for IDV, LPV, ritonavir (RTV), saquinavir (SQV), and DDI. Conclusion: SVMs are highly successful classifiers for predicting HIV drug resistance. Before starting treatment with each drug, researchers can determine HIV drug resistance with machine learning methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سمیرا عباسی | samira abbasi
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکدهی فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

مجید محمد بیگی | majid mohammad beigi
استادیار، گروه مهندسی پزشکی، دانشکده ی فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/1616
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-318584.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات