توسعه مدل فارماکوژنومیکس مبتنی بر رگرسیون بردار پشتیبان با رویکرد انتخاب ویژگی‌های بهینه جهت تعیین دوز اولیه درمانی داروی ضد انعقادی وارفارین

مقدمه: فارماکوژنومیکس و استفاده از ابزارهای هوش مصنوعی در آن یکی از جدیدترین زمینه‌های تحقیقاتی بیوانفورماتیک است. یکی از داروهای بسیار مهم که تعیین دوز اولیه درمانی آن کار مشکلی است، داروی ضدانعقادی وارفارین می‌باشد. وارفارین یک داروی ضد انعقاد خوراکی است که انتخاب دوز بهینه آن به دلیل پنجره درمانی باریک و روابط پیچیده فاکتورهای فردی، چالش برانگیز است. هدف این پژوهش تعیین دوز اولیه بهینه می باشد. روش: در میان روش‌های مبتنی بر کرنل، مقایسه و شناسایی کرنل مناسب مورد بحث قرار نگرفته است. در این پژوهش ضمن بررسی دقیق این رویکرد، الگوریتم‌های مختلف انتخاب ویژگی را مورد آنالیز قرار داده و با تکیه به نظر خبرگان، زیرمجموعه مناسب از متغیرهای پیش‌بین موثر جهت تخمین دوز شناسایی خواهد شد. نتایج: در این مطالعه از مجموعه داده‌ای جمع‌آوری شده توسط کنسرسیوم بین‌المللی وارفارین استفاده شده است. نتایج نشان می‌دهد که ماشین بردار پشتیبان با کرنل مناسب و زیرمجموعه ویژگی‌های پیشنهادی قادر است به طور موفقیت‌آمیزی دوز ایده‌آل وارفارین را برای درصد قابل توجهی از بیماران با خطایی حدود 0/7 میلی‌گرم در هفته پیش‌بینی کند. نتیجه‌گیری: تخمین با نسخه حداقل مربعات رگرسیون بردار پشتیبان مبتنی بر کرنل مناسب و با یک استراتژی مناسب انتخاب ویژگی صورت گرفت. در این روش، رویکرد بهتری برای پیش‌بینی دوز بهینه درمانی وارفارین ارائه شده است که قادر است خطای دوزهای اشتباه و عواقب ناشی از آن را به طور قابل ملاحظه‌ای کاهش دهد.

development of a pharmacogenomics model based on support vector regression with optimal features selection approach to determine the initial therapeutic dose of warfarin anticoagulant drug

introduction: using artificial intelligence tools in pharmacogenomics is one of the latest bioinformatics research fields. one of the most important drugs that determining its initial therapeutic dose is difficult is the anticoagulant warfarin. warfarin is an oral anticoagulant that, due to its narrow therapeutic window and complex interrelationships of individual factors, the selection of its optimal dose is challenging. method: among the relatively successful methods of kernel-based estimation, comparison and identification of suitable kernels have not been researched. in the present research, while carefully examining this approach, different features of selection algorithms were analyzed based on expert opinions, and an appropriate subset of efficient predictor variables was identified for dose estimation. results: in the current study, a dataset collected by the international warfarin consortium was used. the results showed that the support vector machine with a suitable kernel and a subset of the proposed features can successfully predict the ideal dose of warfarin for a significant percentage of patients with an error of approximately 0.7 mg per week. conclusion: the estimation was conducted using the least squares version of the support vector regression based on a suitable kernel and feature selection strategy. in this method, a better approach for predicting the optimal therapeutic dose of warfarin was presented, which can significantly reduce the wrong dose error and its consequences.