استفاده از سيستم جديد هوشمند استنتاج فازي- عصبي تطابقي (ANFIS) براي پيش بيني قدرت سرطان زايي ويروس پاپيلوماي انساني

The application of the new intelligent Adaptive Nero Fuzzy Inference System (ANFIS) in prediction of human papilloma virus oncogenicity potency

چكيده زمينه و هدف: ويروس هاي پاپيلوما بر اساس قدرت و پيش آگهي سرطان‎هاي ايجاد شده توسط آنها با استفاده از پروتيين‎هاي ويروسي E6 وE7 به سه گروه با خطر بالا، پايين و متوسط تقسيم‎بندي مي‎گردند. امروزه از روش‎هاي مختلف مدل سازي در پزشكي باليني، در تشخيص بيماري‎ها و بررسي ويژگي‎هاي مولكولي آنها استفاده مي‎شود. در ميان روش‎هاي نوين مدل‎سازي، سيستم‎هاي فازي از جايگاه ويژه‎اي در زمينه‎هاي مختلف علوم برخوردارند. هدف از اين مطالعه به كارگيري يك مدل هوشمند رياضي براي پيش بيني قدرت سرطانزايي ويروس پاپيلوماي انساني بر اساس تعدادي از ويژگي‎هاي بيوشيميايي پروتيين E7 مي باشد. مواد و روش‎ها: در اين تحقيق با استفاده از سيستم استنتاج فازي - عصبي تطابقي(ANFIS) روش جديدي جهت تخمين ميزان سرطان‎زايي ويروس‎هاي پاپيلوماي جدا شده از بيماران ارايه شده است. فرآيند توسعه و ارزيابي مدل با استفاده از مجموعه داده‎هاي واقعي و معيارهاي آماري و گرافيكي مختلفي صورت گرفته است. بدين منظور با تهيه داده‎هاي بيوشيميايي و بيوفيزيكي مورد نياز در مورد ژنE7 از اطلاعات موجود، اقدام به ايجاد مدل مورد نظر شد. در مرحله بعد نتايج حاصل از مدل با داده‎هاي واقعي اعتبار يابي شد. يافته‎ها: طبق نتايج تحقيق، مدل ايجاد شده قادر به پيش بيني موفقيت آميز سرطان‎زايي پاپيلوما ويروس‎ها است. مقادير RMSE و R2 مربوط به مدل در مرحله آموزش به ترتيب برابر 18/101 و99/0 و در مرحله ارزيابي 8/173و 94/0 به دست آمد. نتيجه گيري: طبق نتايج به دست آمده، استفاده از مدل تطبيقي استنتاج فازي – عصبي، دقت تخمين شدت پديده سرطان زايي ويروس را به ميزان قابل توجهي بهبود مي‎بخشد. روش ارايه شده در اين تحقيق رهيافت جديدي در تخمين سرطان زايي محسوب شده و به خوبي قابليت اتصال و تركيب با مدل‎هاي باليني و نيز بهنگام سازي با توجه به شرايط واقعي را دارد. واژگان كليدي: پاپيلوما ويروس، ANFIS ، پيش بيني، سرطان زايي

Abstract Background: Based on the severity and prognostic condition of respective cancers caused by them, papilloma viruses are classified into high, medium, and low risk groups using E6 and E7 viral proteins. Nowadays, different methods of modeling in clinical medicine are used for diagnosis of diseases and evaluation of their molecular characteristics. Among the new methods of modeling, fuzzy systems are of particular importance in various fields of science. The aim of this study was to use a new intelligent Adaptive Nero Fuzzy Inference System (ANFIS) for predicting human papilloma virus oncogenicity based on a number of biochemical properties of E7 protein. Materials and Methods: In this study, using ANFIS model, a new model was developed for predicting oncogenicity of papilloma virus isolated from patients. The process of training and testing was performed using a set of available published filed data and several statistical and graphical criteria. Accordingly, through provision of needed biochemical and biophysical data on E7 gens from the existing data, this model was developed. The results of this model were, then, validated by the authentic published data. Results: Based on the results, the developed model is capable of predicting papilloma virus oncogenicity efficiently. R2 and RMSE values in training stage were 0.99 and 101.18, respectively. In the testing stage, however, they stood at 0.94 and 173.8, respectively. Conclusion: Based on the findings, the use of ANFIS model significantly improves the accuracy of estimating virus oncogenicity phenomenon. The methodology presented in this study is a new approach in estimating viral oncogenicity and can successfully be combined with other mathematical models for model updating in real conditions. Keywords: ANFIS, Oncogenicity, Papilloma virus, Prediction