تشخیص اختلال دوقطبی بر اساس نشانگرهای زیستی موثر استخراج شده با استفاده از روش های بیوانفورماتیک و الگوریتم های یادگیری ماشین

زمینه. اختلال دوقطبی نوعی بیماری روانپزشکی با نوسان خلقی است. مشخصۀ این بیماری، دوره های 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 ژن هایی که با اختلال دوقطبی رابطه مستقیم داشتند، با استفاده از نرم افزار r استخراج شدند. اشتراک ژن ها از پایگاه داده ها به دست آمد. در نهایت، با استفاده از نرم افزار cytoscape3.7.1 ژن های مشترک برای 12 حالت استخراج شد. برای به دست آوردن بهترین مدل ها، ژن های به دست آمده با شبکۀ عصبی مصنوعی و درخت، آموزش داده شد. برای بررسی بهینگی از چهار پارامتر از حساسیت، تشخیص پذیری، صحت و ناحیۀ زیر منحنی استفاده شد. یافته ها. پس از پیش پردازش با نرم افزار r، دویست و یک ژن مشترک به دست آمدند. 12 حالت 20 ژن و 10 ژن با نرم افزار 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 ارایه شدند. نتیجه گیری. دو مدل برای تشخیص اختلال دوقطبی ارایه شد. یک مدل با استفاده از شبکۀ عصبی مصنوعی و توابع logistics و مدل دیگر با استفاده از درخت بود. پیامدهای عملی. از مدل آموزش داده شده برای غربال سربازان وظیفه مبتلا به اختلال دوقطبی با خطر عود و تشدید علایم بالا در سامانۀ تشخیص اختلال دوقطبی می توان استفاده کرد.

diagnosis of bipolar disorder based on extracted significant biomarkers using bioinformatics and machine learning algorithms

background. bipolar disorder is a type of psychiatric disease characterized by periodic mood swings that include periods of depression and mania. methods. first, three datasets related to bipolar disorder, including gse53987, gse35977, and gse12679, were extracted from the pubmed database, which included 218 human samples and 9 888 458 genes. then, genes directly related to bipolar disorder were extracted using r programming language. the shared genes were obtained from the database and extracted for 12 states with cytoscape 3.7.1. the obtained gene expression data were trained by artificial neural network and decision tree method to identify the best models. four parameters of sensitivity, specificity, accuracy, and area under the curve (auc) were used to check the optimality of the model resulting from the training of machine learning algorithms. results. after r language preprocessing, 201 common genes were obtained. then, 12 modes of 20 genes and 10 genes were extracted using the cytohubba plugin in cytoscape 3.7.1. the best model of 20 genes in the artificial neural network showed an auc of 72% and the best model of 10 genes in the decision tree model showed an auc of 78%. conclusion. we presented two models to diagnose bipolar disorder. one model was developed using artificial neural network and tanh functions and the other model was developed using decision tree algorithm. practical implications. the model developed by artificial neural network and the decision tree can be used in the diagnosis of bipolar disorder in order to screen conscripts who have this disorder with a high risk of relapse and exacerbation of symptoms.