Find in Library

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.