پیش‌بینی مقاومت دارویی ویروس HIV با استفاده از ماشین‌های بردار پشتیبان

نوع مقاله : مقاله های پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکدهی فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران

2 استادیار، گروه مهندسی پزشکی، دانشکده‌ی فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران

چکیده

مقدمه: پژوهش حاضر با هدف بررسی عملکرد روش یادگیری ماشین‌های بردار پشتیبان برای پیش‌بینی مقاومت دارویی ویروس HIV) یا (Human immunodeficiency virus استفاده از تحلیل دنباله‌ی آمینو اسیدها انجام گرفت.روش‌ها: در این مطالعه از ماشین‌های بردار پشتیبان استفاده شد؛ همچنین برای آموزش و آزمایش ماشین‌های بردار پشتیبان از نرم‌افزار LIBSVM) یا  (Library for support vector machinesاستفاده گردید.یافته‌ها: نتایج حاصل از مطالعه‌ی حاضر بر روی چهار روش بیولوژیکی که برای تفسیر نتایج تست‌های ژنوتیپی ارایه گردیده بود، بررسی شد. با مقایسه‌ی نتایج، بهترین روش بیولوژیکی برای هر دارو مشخص گردید. ماشین‌های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس HIV با دقت 77/98-27/86 عمل می‌کند. با توجه به پارامترهای اندازه‌گیری شده، اعمال ماشین‌های بردار پشتیبان بر روی نتایج روش (HIVDB) HIV RT and protease sequence database برای داروهای Amprenavir (APV)، (NF) Nelfinavir،Abacavir ABC)) ،AZT) Zidovudine)، (D4T) Stavudine، DDI) Didanosine)، (TDF) Tenofovir disoproxil fumarate، Delavirdine (DLV) و بر روی نتایج روش ANRS) Agence national de recherches le SIDA)، برای داروهای (IDV) Indinavir، 3TC) Lamivudine)، TDF) Tenofovir disoproxil fumarate)، Efavirenz ((EFV وNVP) Nevirapine ) بهترین نتایج را داشته است. برای داروهای LPV) Lopinavir) و AZT) Zidovudine) ماشین‌های بردار پشتیبان برای نتایج روش Rega institute REGA)) عملکرد خوبی ارایه نموده است و نیز برای داروهای IDV، LPV، RTV) Ritonavir)، (SQV) Saquinavir و DDI ماشین‌های بردار پشتیبان برای روش Visible genetics ((VGI عملکرد خوبی داشته است.نتیجه‌گیری: ماشین‌های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس HIV عمل می‌کند. می‌توان هنگام استفاده از هر دارو برای درمان، قبل از شروع درمان ابتدا مقاومت دارویی را با استفاده از روش‌های یادگیری ماشین، تعیین کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting Human Immunodeficiency Virus Drug Resistance Using Support Vector Machines

نویسندگان [English]

  • Samira Abbasi 1
  • Majid Mohmmadbeigi 2
1 MSc Student, Department of Biomedical Engineering, School of Engineering, University of Isfahan, Isfahan, Iran
2 Assistant Professor, Department of Biomedical Engineering, School of Engineering, University of Isfahan, Isfahan, Iran
چکیده [English]

Background: The purpose of this study was to investigate the performance of support vector machines (SVMs) in predicting human immunodeficiency virus (HIV) drug resistance using amino acids sequence analysis.Methods: In order to evaluate the performance of SVMs in predicting HIV drug resistance, SVMs were trained and tested using LibSVM software. Biological methods developed by HIV database (HIVDB), Visible Genetics Inc. (VGI) and the French National Agency for AIDS Research (ANRS) and REGA algorithm were employed to interpret the results of HIV genotypic resistance tests. The results were compared and the most efficient method for each drug was finally determined.Findings: With an accuracy of 86.27- 98.77, SVMs are highly successful classifiers for predicting HIV drug resistance. Using SVMs for HIVDB results has the best performance for amprenavir (APV), nelfinavir (NFV), abacavir (ABC), zidovudine (AZT), stavudine (D4T), didanosine (DDI), tenofovir disoproxil fumarate (TDF), and delavirdine (DLV). Using SVMs for the results of ANRS method has the best performance for indinavir (IDV), lamivudine (3TC), TDF, efavirenz (EFV), and nevirapine (NVP). Using SVMs for REGA results has the best performance for lopinavir (LPV) and AZT. Finally, using SVMs for the results of VGI method has the best performance for IDV, LPV, ritonavir (RTV), saquinavir (SQV), and DDI. Conclusion: SVMs are highly successful classifiers for predicting HIV drug resistance. Before starting treatment with each drug, researchers can determine HIV drug resistance with machine learning methods.

کلیدواژه‌ها [English]

  • Human immunodeficiency virus
  • Support Vector Machine
  • Drug resistance
  1. Bonet I, Garcia MM, Salazar S, Sanchex R, Saeys Y, Van de Peer Y, et al. Predicting human immunodeficiency virus (HIV) drug resistance using recurrent neural networks. Proceedings of the 10th International Electronic Conference on Synthetic Organic Chemistry; 2006 Nov 1-30; Basel, Switzerland.
  2. Tesfamichael S, Hazelhurst S. Support vector machine prediction of HIV-1 drug resistance using the viral nucleotide patterns. Transactions of the Royal Society of South Africa 2009; 64(1): 62-72.
  3. Ravela J, Betts B, Brun-Vezinet F, Vandamme A, Descamps D, Laethem K, et al. HIV-1 protease and reverse transcriptase mutation patterns responsible for discordances between genotypic drug resistance interpretation algorithms. J Acquir Immune Defic Syndr 2003; 33(1): 8-14.
  4. Cristianini N, Shawe-Taylo J. An Introduction to Support Vector Machines and Other Kernel-based Learning Metho. Cambridge, UK: Cambridge University Press; 2000.