مطالعات درخت تصمیم در برآورد ریسک ابتلا به سرطان سینه با استفاده از چند شکلی های تک نوکلوئیدی

درختان تصمیم از ابزارهای داده کاوی برای جمع آوری ، پیش بینی دقیق و غربال کردن اطلاعات از حجم عظیم داده هاست که کاربرد گسترده ای در زمینه زیست شناسی محاسباتی و بیوانفورماتیک پیدا کرده اند. در بیوانفورماتیک می توان پیش بینی هایی بر روی بیماری ها ازجمله سرطان سینه را داشت. استفاده از داده های ‍ژنومی از جمله چند شکلی های تک نوکلئوتیدی در پیش بینی ریسک ابتلا به بیماری های چند عامله از اهمیت خاصی برخوردار است. تعداد هفت SNP مهم از بین صدها هزار مارکر ژنتیکی به عنوان عوامل مرتبط با سرطان سینه شناسایی شدند. هدف ازاین تحقیق بررسی داده های آموزش روی خطای درخت تصمیم پیش بینی کننده ریسک ابتلا به سرطان سینه با استفاده از ژنوتیپ چند شکلی های تک نوکلئوتیدی است.
احتمال ابتلا به سرطان سینه با استفاده از SNP های مرتبط با فرمول xj = fo * محاسبه گردید. برای پیش بینی احتمال بیماری با استفاده از چندشکلی های تک نوکلئوتیدی در انسان می توان از درختان تصمیم استفاده کرد. هفت SNP با نسبت های مختلف بخت مرتبط با سرطان سینه درنظرگرفته و کد نویسی و طراحی درخت تصمیم مدل C4.5، با زبان برنامه نویسی Csharp2013 انجام شد. در درخت تصمیم ایجادشده با کدنویسی، چهار SNP مهم مرتبط لحاظ شد. خطای درخت تصمیم دردو حالت کدنویسی و استفاده از نرم افزارWEKAارزیابی و درصد دقت درخت تصمیم در پیش بینی بروز سرطان سینه محاسبه گردید. تعداد نمونه آموزش داده شده با نمونه گیری سیستماتیک استخراج گردید. باکدنویسی، دو سناریو و همچنین با نرم افزار WEKA ، سه سناریو با تعداد مجموعه داده های مختلف، تعداد مجموعه آموزش و آزمایش مختلف، مورد ارزیابی قرار گرفت.
با روش کدنویسی در دو سناریو با افزایش درصد آموزش از 66/66 به 42/86 ، خطا از 56/55 به 09/9 کاهش یافت. همچنین با اجرای نرم افزار WEKA در سه سناریو با تعداد مجموعه داده های مختلف، تعداد مجموعه آموزش مختلف، و آزمایش مختلف با افزایش تعداد رکوردها از 81 به 2187، میزان خطا از 15/48 به 46/13 کاهش یافت. همچنین در اکثر سناریوها درصد شیوع بیماری در میزان خطا در کد و WEKA تاثیری نداشت.
نتایج نشان می دهد با افزایش میزان آموزش، خطای درخت تصمیم کاهش و درنتیجه دقت پیش بینی ریسک ابتلا به سرطان سینه با استفاده از درخت تصمیم افزایش می یابد. در داده های بیولوژی به دلیل حساسیت مدلهای پیش بینی کننده، خطای درخت تصمیم حتی با 66/66% آموزش بالا است. از طرفی با افزایش تعداد SNP درخت تصمیم از 4 به 7 مارکر، خطای درخت تصمیم با 1/70 % آموزش، به طور چشمگیری کاهش داشت. در مجموع می توان گفت که با افزایش رکوردهای مجموعه آموزش و همچنین افزایش تعداد ویژگی SNPدر درخت تصمیم، دقت پیش بینی افزایش و خطا کاهش می یابد. همچنین درصد شیوع بیماری در میزان خطا به دلیل انتخاب مجموعه های آموزش و آزمایش به روش سیستماتیک، در کد طراحی شده در این تحقیق و نرم افزار موجود WEKA تاثیری ندارد.