چکیده: سرطان به عنوان یکی از شایع‎ترین بیماری‎های چند دهه اخیر، توجه بسیاری از پژوهشگران را در حوزه‎های مختلف علوم به خود جلب نموده است. درمان این بیماری با استفاده از روش‎های درمانی رایج، اغلب یا هزینه‎بر است یا با شکست مواجه شده یا بیمار را متحمل عوارض جانبی شدید می‎‎‎کند. بدین سبب نیاز به توسعه روش‎های جدید درمانی، به خوبی احساس می‎شود. تغییرات ژنومی در DNA باعث ایجاد انواع مختلف سرطان در انسان می‎گردد. تنوع تعداد کپی یا CNV، به عنوان یکی از انواع مختلف جهش‎ در DNA، سبب بروز سرطان‎های مختلفی در انسان شده است. به منظور درک تفاوت بین سرطان‎های مختلف با کمک CNVها، در این مطالعه، به طبقه‎بندی شش کلاس مختلف سرطان در انسان با استفاده از مقادیر سطح CNV و با کمک یادگیری عمیق می‎پردازیم. در سال‎های اخیر از یادگیری عمیق در تشخیص انواع سرطان مانند سرطان ریه، پوست و سینه استفاده شده است. بسیاری از این روش‌ها از شبکه‌های کانولوشن برای تشخیص سرطان استفاده کرده‌اند. ما در این تحقیق از شبکه عمیق LSTM برای طبقه‎بندی استفاده می‎کنیم. برای این منظور اطلاعات CNV از 24174 ژن به عنوان ویژگی‎ها برای ساخت طبقه‎بند استفاده گردید. نتایج آزمایش‌ها دقت 92 درصدی در طبقه‎بندی را نشان می‎دهد. سپس برای تحلیل بایولوژی به شناسایی ژن‎هایی که بیشترین تاثیر را در ایجاد سرطان‎ها داشتند پرداخته شد. بدین سبب از معیار بیشترین وابستگی-کمترین افزونگی جهت شناسایی ژن‎های موثر استفاده گردید. با کمک این الگوریتم تعداد 200 ژن برتر را شناسایی کردیم و سپس طبقه‎بندی را با استفاده از این 200 ژن انجام دادیم. دقت بیش از 81 درصدی در طبقه‎بندی نشان از اهمیت این ژن‎ها را می‎داد. در نهایت 10 ژن برتر که بیشترین تاثیر را در طبقه‎بندی داشتند شناسایی کردیم. همچنین عملکرد ژنتیکی این ژن‎ها را مورد بررسی قرار دادیم تا نتایج آماری و تجزیه و تحلیل بیولوژیکی از این ژن‎ها کمک فراوانی به شناخت انواع سرطان‎های مختلف انسان و پیشنهادهایی را برای ارائه درمان‎های مناسب بیماران ارائه دهد.