مقاله استخراج الگوی پروتئینی از داده ‌طیف‌ جرمی‌ لیزری جهت تشخیص سرطان پستان با الگوریتم داده‌کاوی

اختصاصی از سورنا فایل مقاله استخراج الگوی پروتئینی از داده ‌طیف‌ جرمی‌ لیزری جهت تشخیص سرطان پستان با الگوریتم داده‌کاوی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 26 صفحه

این مقاله علمی یکی از نایاب ترین مقالات در حوزه داده کاوی پزشکی و حل بیماری سرطان سینه میباشد که  برای اولین بار این مقاله در وب سایت پارس منتشر گردیده است

مقدمه

 یکی از مشکلات اساسی و حل نشده در درمان بیماری سرطان، عدم وجود روشی مناسب در تشخیص بموقع و زودرس آن می‏باشد. متأسفانه، سرطان پستان یکی از بیماری‌های شایع در بین زنان می‌باشد که تشخیص در مراحل اولیه می‌تواند تأثیر بسزایی در کاهش میزان مرگ و میر زنان داشته ‌باشد [1]. سالیانه در آمریکا بیش‌از 200000 مورد جدید از بیماری سرطان پستان گزارش می‌شود که از این تعداد بیش از 3/99% مربوط ‌به زنان می‌باشد. حدود 31% از سرطان‌های تشخیص داده ‌شده برای جمعیت زنان در آمریکا به سرطان پستان اختصاص دارد که حایز بالاترین نرخ مشاهده در این گروه می‌باشد. میزان مرگ و میر ناشی از سرطان پستان در گروه زنان تقریبا 15% است که بعد از سرطان ریه دومین رتبه از نظر عاملیت مرگ به این بیماری تعلق دارد [2-1].

 با توجه به اطلاعات حوزه علم ژنتیک، واکنش‌های شیمیایی درون یک عضو زنده می‏تواند بصورت الگوهایی پروتئینی در مایعاتی نظیر خون، خلط و ادرار انعکاس داده شود [3]. واژه پروتئین‏شناسی[1] به علومی اطلاق می‏شود که امکان مقایسه کمی و کیفی و همچنین تمایز قائل شدن بین پروتئینها تحت شرایط مختلف پاتولوژیک را فراهم نماید. حوزه فعالیت پروتئین‏شناسی بطور عام به هر نوع تکنولوژی یا تکنیک پردازش اطلاعاتی مربوط می‏شود که بتواند داده‏های پروتئینی را با مقیاس بالا تولید نموده و یا آنها را مورد تحلیل قراردهد [4].

یکی ‌از تکنیک‌های ‌جدید مورد استفاده جهت استخراج ‌اطلاعات‌ پروتئینی از نمونه‏های وابسته به موجودات زنده، طیف‏سنج‏ جرمی جذب- یونیزاسیون لیزری سطحی ارتقاء یافته زمان پروازی[2] (SELDI-TOF) می‏باشد. تحلیل محتوای اطلاعاتی طیف ‏جرمی یک روش سریع و بطور نسبی کم هزینه در تشخیص بیماری بدون ایجاد هرگونه عوارض جانبی می‏باشد، که می‏تواند امکان بالقوه غربالگری سرطان را فراهم سازد. در بسیاری از کارهای غربالگری، داده ورودی بوسیله ویژگی‌های زیادی توصیف شده‌است که تنها تعداد کمی از آنها برای پیش‌بینی عامل بیماری یا برچسب کلاس مناسب هستند. از اینرو، استفاده از تکنیک‌های استخراج یا انتخاب ویژگی از اهمیت ویژه‌ای در تحلیل و تفسیر این نوع داده‌ها برخوردار می‌باشد.

 استفاده از پروفایل پروتئینی تهیه ‌شده توسط  SELDI-TOF برای کشف نشانگرهای ‌حیاتی جدید با قدرت تمایز بالا بین گروه‌های سالم و سرطانی در حال توسعه می‌باشد[5]. پتریکون و همکارانش [6] با استفاده از یک بسته ‌نرم افزاری داده‌کاوی مبتنی بر شبکه ‌عصبی و الگوریتم ژنتیک، تحقیقاتی برای کشف‌ نشانگرهای ‌حیاتی از داده‌های پروتئینی سرطان‌ تخمدان انجام‌ دادند

ادامه...