چکیده واژههای کلیدی: مقدمه

Transcript

1 مجله علمی دانشگاه علوم پزشکی سمنان- جلد 6 شماره 4 تابستان 1384 تشخیص ژنهای مسي ول لوکمیای حاد بر مبنای دادههای بیان ژنی 2 1 1* نمامعلی آزادی (M.Sc) کرامت االله نوری جلیانی (Ph.D) مروت طاهری کلانی (M.Sc) 1- دانشگاه علوم پزشکی تهران دانشکده بهداشت گروه اپیدمیولوژی و آمار زیستی و انستیتو تحقیقات بهداشتی 2- دانشگاه علوم پزشکی تهران دانشکده پزشکی گروه میکروبشناسی چکیده سابقه و هدف: در سال 1999 در یک مقاله گالوپ و همکارانش کوشیدند تا برخلاف روشهای بسیار پرهزینه متداول و رایج با اراي ه روشی نوین بر مبنای دادههای بیان ژنی این سرطان را تشخیص دهند. هدف مشخص بود: اراي ه روشی جدید که در عین کمهزینه بودن کاراتر نیز باشد. آنها با مطالعه 6817 ژن مربوط به 38 فرد مبتلا به لوکمیا با بهرهگیری از روشهای آماری خاصی در نهایت 50 ژن را انتخاب و برای تشخیص افراد بیمار استفاده نمودند. ما در این مقاله برآنیم برخلاف روشهای پیچیده اراي ه شده توسط گالوپ جهت تشخیص ژنهای مسي ول و مارکرهای ژنی لوکمیای حاد به یک روش آماری سادهتر دست یابیم. مواد و روشها: دادههای مورد استفاده در این تحقیق همان دادههای گالوپ میباشند که با تکنیک پیشرفته DNA میکرواری که اخیرا نیز وارد کشور شده است بهدست آمدهاند. ما با انجام های آماری Wilcoxon t-test و روشهای مبتنی بر های جایگشت جهت تشخیص ژنهای مسي ول بیماری تلاش نمودیم. یافتهها: ما با استفاده از روش وست فال و یانگ بر مبنای آماره t در سطح معنیداریα=٠/٠١۵ 48 ژن را به عنوان ژنهای مسي ول جهت تشخیص افراد شناسایی نمودیم که از این میان 28 ژن با آنچه گالوپ و همکارانش بهدست آوردهاند مشترک است یعنی یک همخوانی 58% را نشان میدهد. 20 ژن باقیمانده (42%) با ژنهای حاصله از مطالعه گالوپ تفاوت دارند. نتیجهگیری: نتایج حاصله جهت تشخیص افراد بر مبنای این 48 ژن همان نتایجی را خواهد داد که 50 ژن گالوپ به دنبال دارد. واژههای کلیدی: DNA میکرواری بیان ژن انتخاب ژن لوکمیا روش وست فال و یانگ ریزآرایه مقدمه سالیان متمادی است که بشر میکوشد به راز بیماریها پی برده و علت وجودی آنها را دریابد. بیماریهای جسمی و روانی از جمله مساي ل مهم انسانی هستند که توجه بسیاری از متخصصین را در هر عصر و زمانی به خود معطوف نمودهاند. از کوشش برای ارتباط دادن بسیاری از بیماریها به نیروهای ماوراء الطبیعه در سالیان دور تا کشف پنیسیلین و در سالهای اخیر ظهور تکنولوژی مولکولی جملگی تلاشهایی است که بشر در این راستا انجام داده است. امکان بهرهگیری از علم و فنآوری سایر علوم دانشمندان عرصه بیولوژی را بر آن داشت که تحقیقات خود را متوجه کوچکترین واحد زنده یک ارگانیسم یعنی سلول نمایند. از اینرو Sechena در سال 1996 روشی را اراي ه نمود [10] که بر مبنای آن محققین قادر شدند به طور همزمان ژنهای موجود در دو بافت سالم و * نویسنده مسي ول. تلفن: نمابر: Nouri4@yahoo.com تاریخ دریافت: 83/11/26 تاریخ پذیرش: /4/13

2 جلد 6 شماره 4 تابستان 1384 مجله علمی دانشگاه علوم پزشکی سمنان سرطانی را مطالعه نمایند. این تکنولوژی که به DNA میکرواری شهرت یافت برخلاف روشهای قبلی که تنها مطالعه یک ژن را میسر مینمود در یک تحول شگرف دانشمندان را قادر ساخت که در یک لحظه بیان هزاران ژن را تحت مطالعه داشته باشند. تا آنجا که بسیاری ظهور این تکنولوژی را انقلاب و تحولی بزرگ در تشخیص و درمان بیماریها بهویژه سرطان تلقی مینمایند [7]. نتایج بهدست آمده از DNA میکرواری منجر به ایجاد دیدگاههای تازهای در مورد نحوه شکلگیری پیشرفت و پاسخ به درمان بیماریها بهویژه بیماران سرطانی گردیده است. در این تکنیک میزان بیان هزاران ژن بهطور همزمان جهت مطالعه رفتار و عملکرد سلول مورد بررسی قرار میگیرد و در نهایت با استفاده از روشهای مناسب آماری دادههای حاصله تجزیه و تحلیل میشوند [9 1 4]. در سالهای اخیر خصوصیات ویژه و منحصر به فرد این دادهها منجر به تشکیل شاخه جدیدی در علم آمار جهت تحلیل این دادهها گردیده است. در حال حاضر با توجه با اینکه سکانس کامل ژنوم انسانی در دسترس میباشد بررسی کامل نسخهبرداری در سلولهای نرمال و سرطانی امکانپذیر شده است و همراه با تکامل همزمان ابزارهای ضروری انفورماتیک و آنالیز دادهها جهت تبدیل و تفسیر آنها نحوه نگرش به سرطان دچار تحولی شگرف گردیده است. نظر به اهمیت تحقیقات مولکولی شناخت آخرین دستآوردهای دانشمندان در زمینه ژنتیک گسترش روزافزون تکنولوژی جدید به عرصه مطالعات مولکولی اهمیت مطالعات مبتنی بر بیان ژن در جهتگیری تحقیقات جدید و همچنین ورود تکنولوژی DNA میکرواری در ماههای اخیر به کشورمان که از آن به عنوان «ریز آرایه» نام برده میشود ما را بر آن داشت تا مقاله حاضر را طراحی نماییم. این مقاله به عنوان اولین کار صورت گرفته در کشور در زمینه نحوه تحلیل دادههای حاصله جهت معرفی این تکنولوژی و نحوه تحلیل دادههای حاصله میتواند گامی بسیار مهم تلقی گردد. از طرفی با توجه به انبوه دادههای حاصله و ضرورت تحلیل درست آنها علم تحلیل این دادهها خود جزء جدا نشدنی و عمده این مطالعات گردیده است. به دلیل فقدان دادهای در این زمینه در کشور ما در این مقاله به ناچار از دادههای لوکمیا که توسط گالوپ و همکارانش در سال 1999 از مطالعه بر روی 38 فرد مبتلا به لوکمی حاد بهدست آمده است استفاده کردهایم [6]. ما معتقدیم که روش تحلیل دادههای حاضر را میتوان در موارد مشابه برای سایر دادههای ژنی حاصل از DNA میکرواری -که انتظار میرود در سالهای پیش روی توسط محققین کشور تولید شوند- تعمیمپذیر است. هدف ما این است که با استفاده از روشی سادهتر DEها را - که به احتمال زیاد حاوی مارکرهای ژنی سرطان لوکمیای حاد هستند- تشخیص و معرفی نماییم. از آنجا که هدف ما معرفی تکنولوژی DNAمیکرواری نمیباشد جزي یات بیشتر در مورد تکنولوژی و نحوه کارکرد آن را میتوانید در مراجع 5 1 و 8 ببینید. بیان ژنی و میکرواری. هر ژن خود قطعهای از DNA است که بنا بر اصل مرکزی در صورتی بیان میشود که ابتدا در هسته قطعه DNA متناظر با آن ژن به mrna رونویسی شده سپس در سیتوپلاسم این mrna به پروتي ین ترجمه گردد. پروتي ینها واحدهای عملکردی سلولند که از طریق ترجمه mrnaهای اختصاصی که از روی ژنهای مربوطه رونویسی شدهاند ساخته میشوند. میزان mrnaی رونویسی شده از یک ژن با مقدار پروتي ین تولید شده از آن ژن در سیتوپلاسم سلول رابطه مستقیم دارد. بنابراین با اندازهگیری مقدار mrna رونویسی شده از یک ژن میتوان بهطور غیرمستقیم بیان آن ژن و میزان پروتي ین مربوطه را محاسبه کرد. بر این اساس تکنولوژی DNA میکرواری که در سال 1996 برای اولین بار توسط [10] Schena معرفی گردید و بعدها توسط [6] Golub و [2] Alizadeh برجسته شد فرصت گرانبهایی را برای دانشمندان فراهم آورده تا بتوانند با اندازهگیری میزان mrnaی تولیدی در هر سلول میزان بیان اختصاصی ژنها را سنجیده و در صورت لزوم با یکدیگر مقایسه کنند. در میکرواری بعد از کشت سلول 260

3 تشخیص ژنهای مسي ول لوکمیای حاد... سرطانی و نرمال طی فرآیندی خاص mrna از مابقی سلول جدا و به cdna تبدیل میگردد. سپس محلول حاضر که مخلوطی از cdnaهای بافت نرمال و سرطانی است را بر روی یک چیپ که حاوی هزاران چاله (Spot) میباشد و هر چاله خود در برگیرنده یک ژن خاص به تعداد بسیار زیاد است سرازیر میگردد. در اینجا cdnaها با قطعات مکمل خود پیوند مییابند. از آنجا که cdnaهای سرطانی و نرمال قبلا با رنگهای متفاوتی نشانهگذاری شدهاند- معمولا سرطانی با قرمز و نرمال با رنگ سبز- با استفاده از اسکنر به راحتی میتوان تشخیص داد که در هر چاله سهم cdna نرمال و سرطانی چسبیده شده به هر ژن به چه میزان میباشد. به عبارت دیگر چنانچه در چاله اول تعداد cdnaهای بافت سرطانی زیاد باشند غلظت رنگ قرمز در این نقطه زیاد خواهد بود و معلوم میشود که ژن موجود در این چاله در افراد سرطانی بیان بیشتری داشته است. دادههای لوسمی. لوسمی حاد به طور عمده به دو طبقه لوسمی میلوسیتی حاد (AML) و لوسمی لیمفوبلاستیک حاد (ALL) تقسیم میشود. این دو طبقه در سطح میکروسکوپی کاملا یکسان بوده و بیماران مبتلا به این دو طی سالها عملکرد یکسانی دارند. در سال 1999 در یک مقاله Golub و همکارانش [5] کوشیدند تا با اراي ه روشهای نوینی برخلاف روشهای متداول و بسیار پرهزینه رایج بر مبنای دادههای بیان ژنی این سرطان را تشخیص دهند. آنها دلیل انتخاب لوکمیا جهت این مطالعه را توانایی بررسی دقیق نتایج حاصله با نتایج روشهای موجود بیان نمودند. آنها عقیده داشتند که در حال حاضر لوکمیا توسط روشهای موجود به خوبی قابل تشخیص است بنابراین میتوان میزان صحت نتایج روشهای پیشنهادی را با دقت ارزیابی نمود. گالوپ و همکارانش در نهایت 50 ژن را به عنوان ژنهای DE انتخاب و برای تشخیص افراد استفاده نمودند. این روش با دقت 100% افراد را تشخیص داد. بهطوریکه توانست از 38 نفر بیمار مورد مطالعه بهدرستی 36 نفر را به یکی از طبقات ALL یا AML اختصاص دهد و برای 2 نفر باقیمانده ابراز عقیدهای ننمود. نمامعلی آزادی و همکاران این بدان معناست که چنانچه نتیجه این روش به یک تشخیص منجر شود بدون شک نتیجه آن درست خواهد بود. آنها دلیل انتخاب 50 ژن جهت پیشبینی را تا حدودی اختیاری دانستند و بیان داشتند که این ژنها با یکی از طبقات ALL یا AML همبستگی بالایی دارند. آنها دلیل دیگر جهت اتخاذ 50 ژن را کافی بودن این حجم نمونه جهت بهدست آوردن نتایج مطمي ن از های آماری در مقابل اریبی و همچنین به اندازه کافی کوچک بودن این تعداد ژن جهت کاربردهای کلینیکی را برشمردند. همچنین آنها نتیجهگیری میکنند که پیشبینی نتایج بر اساس 10 تا 200 ژن نتایج یک سانی را به دنبال خواهد داشت. گالوپ و همکارانش در پایان با استفاده از این 50 ژن نتیجه گرفتند که در حقیقت طبقه ALL خود مرکب از دو طبقه ALL B-cel و ALL C-cel میباشد. دادههای لوکمیا که از مغز استخوان (BM) یا از نمونه خون (PB) 38 فرد مبتلا به لوکمیای حاد (11 نمونه AML و 27 نمونه (ALL بهدست آمده است در آدرس اینترنتی قابل دسترسی است. مواد و روشها در غالب مطالعات صورت گرفته بر مبنای اندازهگیری بیان ژنی بهوسیله DNA میکرواری [ ] کشف طبقات discovery) (Class پیشبینی طبقات prediction) (Class و شناخت مارکرهای ژنی(گروه اول) identification) (Gene به عنوان سه هدف اصلی این تحقیقات مدنظر بوده است. کشف طبقات به شناخت طبقات یا زیرطبقاتی مربوط میشود که تا کنون ناشناخته ماندهاند درحالیکه پیشبینی طبقات مربوط به اختصاص دادن بیماران به طبقات موجود و معلوم است. شناخت مارکرهای ژنی و تشخیص ژنهای DE به انتخاب زیرمجموعهای از ژنها مربوط میگردد که در نمونههای مورد مطالعه از بیان به نسبت بالاتر (یا پایینتر)ی برخوردارند. جهت شناخت این ژنها از 261

4 ه ب جلد 6 شماره 4 تابستان 1384 P-Value متناظر با هر ژن ژنها را رتبهبندی و مجله علمی دانشگاه علوم پزشکی سمنان میان هزاران ژن مورد مطالعه باید دو فاکتور عمده را در نظر داشت: ابتدا انتخاب روش (یا آمارهای) است که بتوان ژنها را بر مبنای آن رتبهبندی نمود و دوم انتخاب یک مقدار بحرانی برای این آماره است طوریکه مقادیر بیشتر از آنرا بتوان معنیدار تلقی کرد. از این دو جنبه اول یعنی انتخاب یک آماره مناسب اهمیت بسیار بیشتری دارد [3]. ضرورت اولیه در رتبهبندی ژنها از این حقیقت ناشی میشود که در یک مطالعه ما عملا قادر به پیگیری تعداد معدودی از ژنها جهت انجام آنالیزهای بیشتر هستیم. از اینرو در بسیاری از مطالعات میکرواری هدف مشخص نمودن تعداد معدودی (حدود 100 ژن) از ژنهاست که با احتمال زیاد مارکرهای ژنی بیماری را در خود دارند. بنابراین اتخاذ یک روش مناسب جهت انتخاب این ژنها (100 ژن) که نسبت به سایر ژنها از شرایط احراز بیشتری برخوردار باشند اهمیت بهسزایی دارد. دادههای لوسمی که در اینجا مورد بررسی قرار میگیرند از مطالعه 6817 ژن مربوط به 38 فرد مبتلا به لوکمیای حاد که 11 نفر لوکمیا حاد لیمفوبلاستیکی (ALL) و 27 نفر لوکمیای میلوسیتی حاد داشتهاند استخراج شده است. بعد از پردازش اولیه با روشهای نرمالسازی تعداد 3051 ژن در مطالعه باقی ماندند. در نتیجه دادههای حاصله به صورت یک ماتریس خواهند بود. بدین منظور جهت تشخیص ژنهای مسي ول میتوان از هایی که جهت مقایسه دو گروه در اختیار است مانند t-test و Wilcoxon استفاده نمود. این دو از های معمول جهت مقایسه میانگین یا میانه دو گروه میباشند. در اینجا هدف ما آن است که بدانیم آیا تکتک ژنها در این دو گروه به طور یکسان بیان شدهاند یا خیر به عنوان مثال آیا میانگین ژن -CD33 یکی از 3051 ژن مورد مطالعه- در 27 نفر مبتلا به ALL (گروه اول) با میانگین آن در 11 نفر فرد مبتلا به AML (گروه دوم) یکسان است. طبیعتا لازم است که 3051 صورت گیرد یعنی به ازای هر ژن یک. ما این دو آماره را برای هر یک از ژنها در دو گروه محاسبه خواهیم نمود سپس بر مبنای بزرگی این آماره و با توجه به زیرمجموعهای از آنها که رتبهای بالا داشته باشند را برای آنالیز بیشتر انتخاب خواهیم نمود. نتایج جهت تشخیص ژنهای DE از میان 3051 ژن موجود ابتدا با استفاده از t-test و Wilcoxon-test در سطح 0/05 انجام شد که اولی 1049 و دومی 1054 ژن را معنیدار تشخیص داد. در سطحα=0/001 t به تعداد 318 ژن و ویلکاکسون 614 ژن را به عنوان DE متمایز نموده است. جدول 1. نتایج حاصله از اجرای t Wilcoxon و روش تعدیل مبتنی بر هر یک از این دو جهت تشخیص ژنهای نوع روش (α) در سطوح مختلف معنیداری DE سطح معنی داری( α ) 0/1 0/ 05 0/ 015 0/ 010 0/ معمول t t روش تعدیل معمولW روش تعدیل W در این جدول همچنین نتایج حاصل از روش تعدیل نیز آورده شده است. تفاوت روش تعدیل با هر یک از دو t و ویلکاکسون کاملا مشهود است. به عنوان مثال این روش در سطح معنیداری 0/015=α برای آماره t 48 ژن و برای ویلکاکسون 101 ژن را به عنوان ژنهای مسي ول میشناسد. ما این 48 ژن را به عنوان DE پیشنهاد میکنیم که به منظور تشخیص افراد میتوان میزان بیان آنها را اندازهگیری نمود و به تشخیص آنان مبادرت ورزید. از این تعداد 28 ژن با آنچه گالوپ و همکارانش معرفی نمودهاند مشترک میباشد که در جدول 2 نام آنها آورده شده است و 20 ژن مابقی با آنچه گالوپ و همکارانش پیشنهاد دادهاند متفاوتند که در ستون دوم جدول 2 آورده شدهاند. 262

5 تشخیص ژنهای مسي ول لوکمیای حاد... نمامعلی آزادی و همکاران جدول 2. نام ژنهایی که در سطح معنیداری 0/015 با استفاده از روش وست فال و یانگ بر مبنای آماره t معنیدار تشخیص داده شدهاند. این ژنها را میتوان جهت اهداف کلینیکی به منظور تشخیص افراد به کار برد. ژنهای مشترک ژنهای غیرمشترک 1 INDUCED MYELOID LEUKEMIA CELL DIFFERENTIATION PROTEIN MCL1 ADM Adrenomedullin 2 Inducible protein mrna CYSTATIN A 3 LYN V-yes-1 Yamaguchi sarcoma viral related oncogene homolog Macmarcks 4 CD33 CD33 antigen (differentiation antigen)" SPTAN1 Spectrin, alpha, non-erythrocytic 1 (alpha-fodrin) 5 CST3 Cystatin C (amyloid angiopathy and cerebral hemorrhage)" IEF SSP 9502 mrna 6 IL7R Interleukin 7 receptor RB1 Retinoblastoma 1 (including osteosarcoma) 7 FAH Fumarylacetoacetate" IGB Immunoglobulin-associated beta (B29) 8 CTSD Cathepsin D (lysosomal aspartyl protease) GB DEF = Recombination acitivating protein (RAG2) gene, last exon 9 ACADM Acyl-Coenzyme A dehydrogenase, C-4 to C-12 straight chain 10 CCND3 Cyclin D3 GLUTATHIONE S-TRANSFERASE, MICROSOMAL Putative enterocyte differentiation promoting factor mrna, partial cds 11 HKR-T1 Lysophospholipase homolog (HU-K5) mrna 12 Cytoplasmic dynein light chain 1 (hdlc1) mrna GTBP DNA G/T mismatch-binding protein 13 Leukotriene C4 synthase (LTC4S) gene PLECKSTRIN 14 GB DEF = Homeodomain protein HoxA9 mrna VIL2 Villin 2 (ezrin) 15 Catalase (EC ) 5'flank and exon 1 mapping ME491 gene extracted from H.sapiens gene for Me491/CD63 to chromosome 11 antigen 16 IRF2 Interferon regulatory factor 2 T-COMPLEX PROTEIN 1, GAMMA SUBUNIT 17 RETINOBLASTOMA BINDING PROTEIN P48 APLP2 Amyloid beta (A4) precursor-like protein 2 18 LYZ Lysozyme TCRA T cell receptor alpha-chain 19 TCF3 Transcription factor 3 (E2A immunoglobulin enhancer binding factors E12/E47) INTERLEUKIN-8 PRECURSOR 20 Transcriptional activator hsnf2b X-LINKED HELICASE II 21 Interleukin 8 (IL8) gene 22 MYL1 Myosin light chain (alkali) 23 DHPS Deoxyhypusine synthase 24 Zyxin 25 LEPR Leptin receptor 26 TOP2B Topoisomerase (DNA) II beta (180kD) 27 MEF2A gene 28 C-myb gene extracted from Human (c-myb) gene بحث و نتیجهگیری جدول 1 تفاوت قابل ملاحظهای را بین روش تعدیل با هر یک از دو t و ویلکاکسون نشان میدهد. آشکارا پیداست که تعداد زیادی از این ژنها ژن DE نبوده بلکه به غلط این دو آنها را متمایز نمودهاند. علت اصلی این انحراف را میتوان در این واقعیت دید که جهت تشخیص DEها از میان 3051 ژن مورد مطالعه بر مبنای این دو انجام 3051 فرضیه نیز لازم است. پیآمد انجام این انبوه افزایش سریع α (خطای نوع I) خواهد بود. در نتیجه های t-test و Wilcoxon-test کارایی لازم را نخواهند داشت. از طرفی محدودیت منابع اقتضا میکند که عملا تعداد معدودی ژن که از نظر مارکر بودن بیشترین شانس را داشته باشند جهت تحلیلهای بیشتر و اهداف کلینیکی معرفی شوند. در نتیجه برای نایل شدن به این هدف ما مجبور به تعدیل این دو هستیم بهطوریکه بتوان مقدار α را ثابت فرض نمود. جهت رفع این مشکل و دستیابی به نتایجی معتبر بایستی روشی را به کار برد که بتوان خطای نوع اول را در همان سطح (α) مثلا 0/05 فرض نمود. بدین منظور چندین روش مانند بونفرونی شفه وست فال و یانگ وغیره وجود دارند. ما به علت حجم زیاد دادهها 263

6 جلد 6 شماره 4 تابستان 1384 مجله علمی دانشگاه علوم پزشکی سمنان ساختار آنها و کارایی بهتر روش وست فال و یانگ [3] نسبت به سایر ها در دادههای میکرواری از این روش استفاده کردهایم. این روش توانسته است با مبنا قرار دادن هر یک از آمارههای t مشکل زیاد شدن خطای نوع اول (α) و در نتیجه نامعتبر شدن نتایج را حل کند. لازم است توضیح دهیم که این روش تعدیل را میتوان نه تنها برای آمارههای t و ویلکاکسون بلکه برای هر آماره دلخواه دیگری نیز بهکار برد. روش وست فال و یانگ (یا روش تعدیل) بر مبنای آماره t یا ویلکاکسون با دقت بیشتر p-valueهای تعدیل شدهای را تولید میکند که منجر به تشخیص تعداد کمتری ژن DE میشود. بر این اساس و با مبنا قرار دادن آماره t این روش منجر به تولید 48 ژن در سطح معنیداری 0/015 شده است. این نتایج به میزان %58 با نتایج گالوپ همخوانی دارد که این میتواند بسیار حاي ز اهمیت باشد. زیرا ما توانستیم با انجام روشی به مراتب سادهتر که توسط نرمافزارهای آماری موجود مانند S-plus یا R قابل انجام است به این نتایج برسیم. این در حالی است که گالوپ و همکارانش جهت تحلیل دادهها از نرمافزاری خاص استفاده نمودهاند که برای ما قابل دسترسی نبود. نکته مهمتر آنکه با این تعداد ژن پیشنهادی میتوان دقیقا به همان نتایج گالوپ در تشخیص افراد دست یافت زیرا بنا بر نتایج گالوپ و همکارانش صحت تشخیص 10 ژن نتایجی را به همراه خواهد داشت که با 200 ژن حاصل میگردد. بنابراین چنانچه ما سطح معنیداری را 0/05 در نظر بگیریم (یعنی 93 ژن) کلیه ژنهای تشخیص داده شده بهوسیله گالوپ را پوشش خواهد داد. شناخت این ژنها جهت درمان و حتی پیشگیری از آن میتواند بسیار مهم و حاي ز اهمیت باشد. با اطلاع از نحوه بیان این ژنها در افراد مبتلا پزشکان قادر خواهند بود که با تجویز داروها و روشهای درمانی مناسب میزان بیان آنها را کنترل نمایند. نتیجه مهمتر آنکه با بررسی میزان بیان این ژنها در افراد مظنون میتوان به تشخیص افراد قبل از بروز علاي م بالینی و رسیدن بیماری به مراحل نهایی تکامل خود پرداخت. همچنین این ژنها را میتوان به عنوان بهترین کاندیدا برای مارکر ژنی لوکمی در نظر گرفت. تشکر و قدردانی منابع مالی این پژوهش از محل اجرای طرح شماره 1299 به تاریخ ثبت 1382/7/19 دانشکده بهداشت و انستیتو تحقیقات بهداشتی دانشگاه علوم پزشکی تهران تامین گردیده است. که بدین وسیله تقدیر و تشکر میشود. منابع [1] آزادی نمامعلی. روشهای آماری در تحلیل دادههای بیان ژنی بهدست آمده از تکنولوژی DNA میکرواری. پایاننامه کارشناسی ارشد تهران: دانشکده بهداشت دانشگاه علوم پزشکی تهران [2] Alizadeh AA, Eisen MB, Davis RE, Ma C, Lossos IS, Rosenwald A, et al. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature, 2000; 403: [3] Dudoit S, Fridlyand J, Speed TP. Comparison of discrimination methods for the classification of tumors using gene expression data. J Am Statistic Assoc, 2002; 97: Technical Report # 576, Department of Statistics, U. C. Berkeley. [4] Dudoit S, Yang YH, Callow MJ, Speed TP. Statistical methods for identifying differentially expressed genes in replicated cdna microarray experiments. 2000; Technical report # 578. Available from: [5] Duggan DJ, Bittner M, Chen Y, Meltzer P, Trent JM. Expression profiling using cdna microarrays. Nature Genetic, 1999; 21:10-4. [6] Golub TR, Slonim DK, Tamayo P, Gaasenbeek CHM, Mesirov JP, Coller H, et al. Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science, 1999; 286: [7] Habeck M. DNA microarray technology to revolutionise cancer treatment. Lancet Oncol, 2001; 2(1):5. [8] Nguyen DV, Arpat AB, Wang N, Carroll RJ. DNA microarray experiments: biological and technological aspects. Biometrics, 2002; 58(4): [9] Satagopan JM, Panageas KS. Tutorial in biostatistics, a statistical perspective on gene expression data analysis. Stat Med, 2003; 22: [10] Schena M, Shalon D, Heller R, Chai A, Brown PO, Davis RW. Parallel human genome analysis: microarray-based expression monitoring of 1000 genes. Proc Natl Acad Sci USA, 1996; 93: