تشخیص اختلال دوقطبی بر اساس نشانگرهای زیستی مؤثر استخراج شده با استفاده از روش‌های بیوانفورماتیک و الگوریتم‌های یادگیری ماشین

چکیده

زمینه. اختلال دوقطبی نوعی بیماری روانپزشکی با نوسان خلقی است. مشخصۀ این بیماری، دوره‌های افسردگی و شیدایی است.

روش کار. در پژوهش حاضر، ابتدا سه پایگاه دادۀ GSE35977، GSE12679 و GSE53987 مرتبط با بیماری اختلال دوقطبی از پایگاه داده پابمد استخراج شد. به این ترتیب، نمونۀ تحقیق شامل 218 نمونه انسانی و 9888458 ژن بود. سپس ژن‌‌هایی که با اختلال دوقطبی رابطه مستقیم داشتند، با استفاده از نرم‌افزار R استخراج شدند. اشتراک ژن‌ها از پایگاه داده‌ها به دست آمد. در نهایت، با استفاده از نرم‌افزار Cytoscape3.7.1 ژن‌های مشترک برای 12 حالت استخراج شد. برای به دست آوردن بهترین مدل‌ها، ژن‌های به دست آمده با شبکۀ عصبی مصنوعی و درخت، آموزش داده شد. برای بررسی بهینگی از چهار پارامتر از حساسیت، تشخیص‌پذیری، صحت و ناحیۀ زیر منحنی استفاده شد.

یافته‌ها. پس از پیش‌پردازش با نرم افزار R، دویست و یک ژن مشترک به ‌دست آمدند. 12 حالت 20 ژن و 10 ژن با نرم‌افزار Cytoscape 3.7.1 استخراج شدند. بهترین مدل 20 ژن در شبکۀ عصبی مصنوعی AUC برابر 72 درصد و مدل 10 ژن در مدل درخت AUC برابر 78 درصد ارايه شدند.

نتیجه‌گیری. دو مدل برای تشخیص اختلال دوقطبی ارايه شد. یک مدل با استفاده از شبکۀ عصبی مصنوعی و توابع logistics و مدل دیگر با استفاده از درخت بود.

پیامدهای‌عملی. از مدل آموزش داده شده برای غربال سربازان وظیفه مبتلا به اختلال دوقطبی با خطر عود و تشدید علايم بالا در سامانۀ تشخیص اختلال دوقطبی می‌توان استفاده کرد.