چکیده:
سابقه و هدف: فناوری ریزآرایه برای بررسی همزمان بیان هزاران ژن در بازه وسیعی از ژنومیک، نظیر شناسایی ژنها، اکتشاف داروها و تشخیص های کلینیکی مورد استفاده قرار گرفته است. آزمایشهایی که بر اساس فناوری ریزآرایه انجام می شوند حجم بسیار زیادی از داده ها را فراهم می کنند که در مطالعات بیولوژیک بی نظیر بوده است. نرمال سازی، خوشه بندی، طبقه بندی و ... از جمله روشهای مورد استفاده در تحلیل آماری این نوع داده هاست. هدف این مقاله بررسی نحوه به کارگیری روش خوشه بندی فازی در داده های ریزآرایه DNA است.
مواد و روش ها: تحقیق به روش توصیفی انجام شده و داده های بیان ژنی سرطان خون گلوب و همکاران (1999) که بر اساس روش آرایه الیگونوکلئوتید تولید شده و از طریق اینترنت در اختیار عموم قرار دارد، با استفاده از روش آماری خوشه بندی فازی، مورد تجزیه و تحلیل قرار گرفته است. خوشه بندی داده های ریزآرایه به صورت خیلی محدود و گرایش بیشتر به سمت خوشه بندی کلاسیک در ایران صورت پذیرفته است و این مقاله شروعی در خوشه بندی فازی داده های ریزآرایه به شمار می آید. مجموعه داده ها شامل 20 بیمار مبتلا به سرطان خون لنفوئیدی حاد (ALL) و 14 بیمار مبتلا به سرطان خون میلوئیدی حاد(AML) است. کارایی روش خوشه بندی فازی با توجه به گروه بندی واقعی نمونه ها (ALL و AML) مورد ارزیابی قرار گرفت. نرم افزار R برای تحلیل داده ها استفاده شد.
یافته ها: ویژگی روش خوشه بندی فازی در تشخیص افراد AML، 90% و حساسیت آن 93% و صحت آن 91% به دست آمد که نشان دهنده عملکرد خوب این روش است. نمونه سی و یکم که بر اساس یافته های بالینی در گروه AML قرار دارد در گروه ALL قرار گرفت، همچنین نمونه های دوم و هفدهم که بر اساس یافته های بالینی در گروه ALL قرار دارد طبق نتایج در گروه AML قرار گرفتند که از نظر بالینی می توانند قابل توجه باشند.
نتیجه گیری: خوشه بندی فازی اطلاعات نسبتا قابل قبولی درباره ساختار داده ها فراهم می کند که با توجه به انطباق نتایج این روش با گروه بندی واقعی داده ها، از این روش آماری می توان در مواردی که اطلاع دقیقی درباره گروه بندی واقعی داده ها در دست نیست، استفاده کرد. به علاوه با بررسی نتایج خوشه بندی ممکن است زیرگروه هایی از نمونه ها را به نحوی متمایز کرد که برای انطباق آن با یافته های بالینی، پژوهشهای آزمایشگاهی یا بالینی جدیدی لازم باشد.
Background & Aim: Microarray techniques are successfully used to investigate thousands of gene expression profiling in a variety of genomic analyses such as gene identification، drug discovery and clinical diagnosis، providing a large amount of genomic data for the overall research community. Statistical analysis of such databases included normalization، clustering، classification، etc. The present study surveyed the application of fuzzy clustering technique in DNA microarray analysis.
Materials & Methods: Golub، et al collected data bases of leukemia based on the method of oligonucleotide in 1999. The data are on the internet for free. In this paper we did analysis on this data set and gene expression data were clustered by fuzzy clustering. Data set included 20 Acute Lymphoblastic Leukemia (ALL) patients and 14 Acute Myeloid Leukemia (AML) patients. Efficiency of clustering was compared with regard to real grouping (ALL & AML). We used R software for data analysis
Results: Specificity and sensitivity of fuzzy clustering in diagnosing of ALL patients are 90% and 93%، respectively. These results show a good accomplishment of both clustering methods. It is considerable that، due to clustering methods results، one of the samples was placed in ALL group، which had been in AML group in clinical test.
Conclusion: With regard to concordance of the results with real grouping of data، it could be said that we can use these methods in cases where we don't have accurate information of real data grouping. Moreover، results of clustering might distinguish subgroups of data in such a way
(
, 
, 
)
