fa پیش‌بینی اهداف MicroRNAهای دخیل در سرطان سینه با استفاده از روش‌های بیوانفورماتیکی تخصصي Special پژوهشي اصیل Original Article <p dir="RTL" style="text-align: justify;"><strong>مقدمه:</strong> پیش‌بینی اهداف <span dir="LTR">miRNA‌</span>ها از اهمیت ویژه‌ای برخوردار است. توسعه روش‌های محاسباتی و متعاقباً صرفه‌جویی در هزینه و زمان پژوهش‌های آزمایشگاهی، تأثیر به سزایی در افزایش سرعت ساخت داروهای درمانی از جمله داروهای ضد سرطانی دارد. با توجه به این که زمان کمی از شناخت <span dir="LTR">miRNA‌</span>ها می‌گذرد، روند پژوهش‌ها در ابتدا کند بود. اما به مرور با شکل‌گیری دیتابیس‌های بیولوژیکی و درک اهمیت آن‌ها، دانشمندان بر روی این زمینه سرعت مطالعات و توجه خود را افزایش داده‌اند. تاکنون چندین روش کامپیوتری برای پیش‌بینی اهداف <span dir="LTR">miRNA</span>ها ساخته شده است ولی اکثر این روش&rlm;ها دارای نرخ بالایی از مثبت&rlm;های اشتباه هستند و هنوز جا برای بهبود این روش‌ها وجود دارد. از آنجا که مطالعات جدید نشان می&rlm;دهد که <span dir="LTR">miRNA</span>ها در بافت&rlm;های مختلف دارای اهداف متفاوتی هستند، هدف از این مقاله ارائه&rlm; یک روش کامپیوتری برای پیش‌بینی اهداف، در سرطان سینه می&rlm;باشد، تا به این طریق با اطمینان بیشتری بتوان به پیش‌بینی اهداف در این سرطان پرداخت.</p> <p dir="RTL" style="text-align: justify;"><strong>روش:</strong> در این پژوهش، ابتدا انواع ویژگی‌ها استخراج شده، سپس ویژگی‌های برتر توسط دو روش <span dir="LTR">CFS</span> و <span dir="LTR">ReliefF</span> انتخاب گردیدند. انواع مدل‌های هوشمند از جمله شبکه عصبی، ماشین بردار پشتیبان با سه هسته متفاوت، الگوریتم نائیوبیز و درخت تصمیم‌گیری <span dir="LTR">Random Forest</span> بر روی داده‌ها با روش اعتبارسنجی ضربدری 10تایی تست و نتایج آن‌ها با یکدیگر مقایسه و تحلیل شد. سپس برای تأیید نتایج حاصل از داده‌های بیان ژن بهره گرفته شد.</p> <p dir="RTL" style="text-align: justify;"><strong>نتایج</strong><strong>:</strong> با استفاده از این روش 124 اثر متقابل عملگر، شامل 21 <span dir="LTR">miRNA</span> و 38 <span dir="LTR">mRNA</span>، در سرطان مورد نظر پیش‌بینی گردید.</p> <p dir="RTL" style="text-align: justify;"><strong>نتیجه‌گیری:</strong> این رویکرد از لحاظ بیوانفورماتیکی برای سرطان سینه مورد تأیید قرار گرفت اما برای تأیید بیشتر این پیش‌بینی‌ها، نیاز به استفاده از روش‌های آزمایشگاهی می‌باشد.</p> <p style="text-align: justify;"><strong>Introduction:</strong> 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.</p> <p style="text-align: justify;"><strong>Method:</strong> 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, Na&iuml;ve 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.</p> <p style="text-align: justify;"><strong>Results:</strong> Analyzing miRNA and gene expression profiles, the classifier predicted 124 functional interactions involving 21 miRNAs and 38 mRNAs in breast cancer.</p> <p style="text-align: justify;"><strong>Conclusion:</strong> In terms of bioinformatics, this approach was validated for breast cancer but for further validation, experimental methods also should be used.</p> پیش‌بینی اهداف miRNA‌ها, سرطان سینه, ماشین بردار پشتیبان, بیز MicroRNAs Targets Prediction, Breast Cancer, Support Vector Machine, Naïve Bayes 18 28 http://jhbmi.ir/browse.php?a_code=A-10-55-26&slc_lang=fa&sid=1 Balal Sadeghi بلال صادقی sadeghi.balal@uk.ac.ir 10031947532846002426 10031947532846002426 Yes PhD in Animal Genetics (Molecular Genetics and Bioinformatics), Assistant Professor, Food Hygiene and Public Health Dept., Faculty of Veterinary Medicine, Shahid Bahonar University of Kerman, Kerman, Iran دکتری تخصصی ژنتیک حیوانی (ژنتیک مولکولی و بیوانفورماتیک)، استادیار گروه بهداشت و مواد غذایی، دانشکده دامپزشکی، دانشگاه شهید باهنرکرمان، کرمان، ایران