@ARTICLE{Mojarad, author = {mojarad, musa and parvin, hamid and nejatiyan, samad and Bagheri Fard, Karam allah and }, title = {Combining an Ensemble Clustering Method and a New Similarity Criterion for Modeling the Hereditary Behavior of Diseases}, volume = {18}, number = {2}, abstract ={امروزه تئوری‌های بسیاری در مورد علل بروز بیماری‌های وراثتی وجود دارد، اما پزشکان معتقدند که دو فاکتور ژنتیک و محیط ‌زیست هم‌زمان باهم نقش مهمی در بروز و پیشرفت این بیماری‌ها ایفا می‌کنند، هرچند که چگونگی این اثرگذاری هنوز به‌طور دقیق مشخص نیست. برای اینکه بتوان ژن‌های مؤثر در بروز بیماری‌ها را تشخیص داد، باید ارتباط بین سلول‌ها/بافت­‌ها را به‌دست آورد. تعامل بین سلول‌ها یا بافت‌های مختلف را می‌توان، با بیان ژن بین آنها نشان داد. با نمونه‌­برداری از کروموزوم‌ها، اطلاعات مفیدی در مورد نوع بیماری و چگونگی انتقال آن استخراج می‌­شود. با بررسی این اطلاعات می‌­توان اختلالاتی را که منجر به تغییرات به‌شدت پرتکراری شده‌­اند شناسایی کرد. در این مقاله تشخیص ارتباط‌های بین سلولی و بین بافتی در بیماری‌های مختلف با توجه به مشخصات ساختار توپولوژیکی گراف و یک روش خوشه‌بندی تجمعی بهبودیافته انجام شده است. روش پیشنهای دو مرحله دارد؛ در مرحله نخست چندین مدل خوشه‌بندی به‌منظور تشخیص ارتباط‌های اولیه بین سلول‌ها یا بافت‌ها در جهت تولید نتایج بهتر نسبت به الگوریتم‌های انفرادی، ترکیب می‌شوند. در مرحله دوم تشابه بین سلول‌ها یا بافت‌ها در هر خوشه با استفاده از یک معیار شباهت مبتنی بر ساختار توپولوژیکی گراف محاسبه و درنهایت از بیشینه شباهت­‌های بین سلول­‌ها یا بافت‌­ها در هر خوشه برای کشف ارتباطات بین بیماری‌­ها استفاده می‌­شود. به‌منظور ارزیابی عملکرد روش پیشنهادی از چندین مجموعه‌داده UCI و همچنین مجموعه‌داده فانتوم پنج استفاده شده است. نتایج روش پیشنهادی روی مجموعه داده فانتوم پنج، ضریب سیلوئت 901/0 را در 18 خوشه برای سلول­‌ها و 762/0 در 13 خوشه برای بافت­‌ها را گزارش می­‌کند. }, URL = {http://jsdp.rcisp.ac.ir/article-1-980-fa.html}, eprint = {http://jsdp.rcisp.ac.ir/article-1-980-fa.pdf}, journal = {Signal and Data Processing}, doi = {10.52547/jsdp.18.2.97}, year = {2021} }