کاربرد روش کاهش ابعاد چندعاملی (mdr) در شناسایی مدل‌های چند لوکوسی دخیل در رخداد بیماری بهجت

الگوریتم کاهش بعد چندعاملی به عنوان یک الگوریتم توانمند برای شناسایی اثرات متقابل مراتب بالا در ساختارهای ابربعد محسوب می شود. در این تحقیق با استفاده از اطلاعات 748 مورد بیمار مبتلا به بیماری بهجت که به مرکز تحقیقات روماتولوژی، بیمارستان شریعتی تهران مراجعه کرده بودند و 776 شاهد سالم، برای شناسایی اثرات متقابل بین پلی مورفیسم های ژن erap1 دخیل در رخداد بیماری بهجت از الگوریتم کاهش بعد چندعاملی استفاده شده است. محاسبات با استفاده از نرم افزار mdr 3.0.2 انجام گرفته است. مدل های حاصل از الگوریتم کاهش ابعاد چند عاملی با دقت متعادل بالای 0.6 دخیل در افزایش ریسک بیماری بهجت تعیین شده اند. الگوریتم کاهش ابعاد چند عاملی توان و سرعت بالایی در محاسبه اثرات متقابل پلی مورفیسم ها یا جهش های ژنتیکی و شناسایی اثرات متقابل مهم و معنی دار دارد.

application of Multifactor dimensionality reduction (MDR) algorithm in detecting the n-locus models related to Behcet’s disease

The multifactorial dimension reduction algorithm is considered as a powerful algorithm for identifying highorder interactions in high dimensional structures. In this study, information of 748 patients with Behcetchr( #39;39 #39;)s disease who referred to the Rheumatology Research Center, Shariati Hospital, Tehran, and 776 healthy controls was used to identify the interaction effects between ERAP1 gene polymorphisms involved in the occurrence of Behcetchr( #39;39 #39;)s disease using the multifactor dimensionality reduction algorithm. Data analysis was performed using MDR 3.0.2 software. The models obtained from the multifactorial dimensional reduction algorithm with balanced accuracy above 0.6 have been determined to increase the risk of Behcetchr( #39;39 #39;)s disease. The multifactor reduction algorithm has high power and speed in calculating the interaction effects of polymorphisms or genetic mutations and identifying important interactions.