ترکیب یک روش خوشه بندی تجمعی و یک معیار شباهت جدید برای مدل سازی رفتار وراثتی بیماری ها

امروزه تیوری های بسیاری در مورد علل بروز بیماری های وراثتی وجود دارد، اما پزشکان معتقدند که دو فاکتور ژنتیک و محیط زیست هم زمان باهم نقش مهمی در بروز و پیشرفت این بیماری ها ایفا می کنند، هرچند که چگونگی این اثرگذاری هنوز به طور دقیق مشخص نیست. برای اینکه بتوان ژن های موثر در بروز بیماری ها را تشخیص داد، باید ارتباط بین سلول ها/بافت ها را به دست آورد. تعامل بین سلول های/بافت های مختلف را می تواند با بیان ژن بین آنها مختلف نشان داد. با نمونه برداری از کروموزوم ها، اطلاعات مفیدی در مورد نوع بیماری و چگونگی انتقال آن استخراج می شود. با بررسی این اطلاعات می توان اختلالاتی که منجر به تغییرات به شدت پرتکراری شده اند را شناسایی کرد. در این مقاله تشخیص ارتباط های بین سلولی و بین بافتی در بیماری های مختلف با توجه به مشخصات ساختار توپولوژیکی گراف و یک روش خوشه بندی تجمعی بهبودیافته انجام شده است. روش پیشنهای دارای دو مرحله می باشد؛ در مرحله اول چندین مدل خوشه بندی به منظور تشخیص ارتباط های اولیه بین سلول ها یا بافت ها در جهت تولید نتایج بهتر نسبت به الگوریتم های انفرادی، ترکیب می شوند. در مرحله دوم تشابه بین سلول ها یا بافت ها در هر خوشه با استفاده از یک معیار شباهت مبتنی بر ساختار توپولوژیکی گراف محاسبه می شود. درنهایت از حداکثر شباهت های بین سلول ها یا بافت ها در هر خوشه برای کشف ارتباطات بین بیماری ها استفاده می شود.  به منظور ارزیابی عملکرد روش پیشنهادی از چندین مجموعه داده UCI و همچنین مجموعه داده فانتوم 5 استفاده شده است. نتایج روش پیشنهادی روی مجموعه داده فانتوم 5، ضریب سیلویت 901/0 را در 18 خوشه برای سلول ها و 762/0 در 13 خوشه برای بافت ها را گزارش می کند.