fa بررسی سطح بیان ژن‌های عامل سرطان لمفوما به کمک ارائه مدل دسته‌بند تقریبی فازی داخلی داخلی مقاله پژوهشي Original Article <p>زمینه و هدف: سرطان یکی از دلایل عمده مرگ و میر در دنیای امروز است و به‌عنوان یکی از مهم‌&lrm;&lrm;ترین مشکلات سلامت جوامع محسوب می‌شو&lrm;د. اکثر روش‌های پیشنهادی جهت دسته‌بندی سرطان &lrm;&lrm;به کمک داده‌های بیان ژن مانند یک جعبه سیاه عمل کرده&rlm; و قابلیت تفسیرپذیری زیستی ندارند. این مطالعه با هدف معرفی روشی بهینه با قابلیت تفسیر داده‌های بیان ژن انجام شد. روش بررسی: در این مطالعه، روش ترکیبی پالایشی - پوششی برای انتخاب ویژگی زیرمجموعه‌ای از ژن‌های مؤثر در سرطان مورد استفاده قرار گرفت که این عمل باعث کاهش چشمگیر تعداد نمونه‌ها در مقایسه با تعداد ژن‌ها شد. همچنین در این مطالعه با ترکیب روش‌های خوشه‌بندی فازی، مجموعه‌های تقریبی و اعتبارسنجی K- دسته‌ای؛ به گسسته‌سازی داده‌ها، تولید و کاهش قوانین و ارزیابی نتایج پرداخته شد. براین اساس، روش جدیدی با قابلیت &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;تفسیرپذیری زیستی و استخراج معانی از داده‌های بیان ژن&rlm; معرفی گردید که این روش&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp;Fuzzy Rough set &lrm;Classification نامیده شد. یافته‌ها: با استفاده از روش پالایشی &ndash; پوششی انتخاب ویژگی در ریزآرایه لمفوما، از میان 4029 ژن&rlm;، 6 ژن انتخاب شد. در روش دسته‌بندی تقریبی فازی جهت تولید یک مدل دسته‌بند با قابلیت تفسیر داده‌های بیان ژن، دو قانون تولید شده است. نتیجه‌گیری: در این روش با استفاده از توابع رتبه‌بندی، مهم‌ترین قوانین فازی انتخاب شد که علاوه بر قابلیت تولید یک مدل دسته‌بند کارآمد، قابلیت تفسیر داده‌های بیان ژن را ممکن &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;می‌سازد. یکی دیگر از ویژگی‌های برجسته این روش، حل موفقیت‌آمیز مسئله عدم تناسب میان تعداد نمونه‌ها و ژن‌ها در ریزآرایه‌ها به روش پیشنهادی&lrm; پالایشی - پوششی انتخاب ویژگی بوده است.</p> <p>Background and Objectives: Cancer is one the major causes of mortality in today&#39s world, and is considered as one of the most important health problems in societies. Most of the proposed methods for classifying cancer by gene expression data act as a black box and lack biological interpretability. The aim of this study was to introduce an optimal approach with the interpretability of gene expression. &nbsp; Methods: In this study, the combined filter-wrapper feature selection method was used to select a subset of cancer-causing genes, which this method significantly reduced the number of samples in comparison with the number of genes. Also, in this study, data discretization, generation and reduction of rules, and evaluation of results were performed by combining the fuzzy clustering methods, rough sets theory, and K-set validation. Accordingly, a new method with biological interpretability and meaning extraction from gene expression data was introduced, which is called &ldquo;Fuzzy Rough Set Classification&rdquo;. &nbsp; Results: Using filter-wrapper feature selection method for lymphoma microarray, 6 genes were selected from 4029 genes. In fuzzy roughest classifier method, two rules were generated in order to develop a classifier model with interpretability of gene expression. &nbsp; Conclusion: In this method, using ranking functions, the most important fuzzy rules were selected, which in addition to generation of an efficient model, the interpretability of gene expression data is made possible. Another prominent feature of this method was successful solution of the problem of disproportion between the number of samples and genes in microarrays by the proposed filter-wrapper feature selection method.</p> لمفوما, تشخیص اولیه سرطان, سطح بیان ژن, تحلیل میکروآرایه., Lymphoma,Early detection of cancer,Gen expression level,Microarray analysis. 8 15 http://journal.muq.ac.ir/browse.php?a_code=A-10-24-28&slc_lang=fa&sid=1 Zahra Roozbehani زهرا روزبهانی z.roozbahani@stu.qom.ac.ir Yes Faculty of Engineering & Technology, University of Qom دانشکده فنی و مهندسی، دانشگاه قم Ali Katanforoush علی کتان‌فروش No Faculty of Mathematical Sciences, Shahid Beheshti University دانشکده علوم ریاضی، دانشگاه شهید بهشتی Mansour Ebrahimi منصور ابراهیمی No Department of Biology, University of Qom ‌گــروه زیست‌شناسی، دانشگاه قم Mansoureh Yari Ili منصوره یاری‌ایلی No Faculty of Engineering & Technology, University of Qom دانشکده فنی، دانشگاه قم