استنتاج شبکه همبیانی ژنها از روی ویژگیهای منتسبشده به آنها بهوسیله شبکههای عصبی مصنوعی | ||
| زیست فناوری | ||
| Article 4, Volume 10, Issue 4 - Serial Number 23, 1398, Pages 545-555 PDF (1.05 M) | ||
| Document Type: پژوهشی اصیل | ||
| Author | ||
| قاسم مهدور* | ||
| گروه ریاضی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران | ||
| Abstract | ||
| فرآیند شارش اطلاعات از DNA به پروتینها که به بیان ژن موسوم است، یک فرآیند پایهای در زیستشناسی است. تنظیم بیان ژنها پاسخ سلولها به محرکهای فراوانی بوده و برای آنها حیاتی است. ژنها با بیان مشابه در یک سری آزمایش مناسب، ژنهای همبیان، بهطور معمول توسط تنظیمکنندههای یکسان مدیریت میشوند و باز هم بهطور معمول تغییر در بیان آنها پاسخ به محرکهای یکسانی هستند. در این مقاله ما یک روش جدید ارایه کردهایم که دادههای مرتبط با بیان و هستیشناسی ژنها را بهکارگرفته و بهوسیله آنها ژنهای همبیان را یافته و شبکه همبیانی ژنها را ایجاد میکند. در ابتدای روش ایجادشده یک شبکه عصبی مصنوعی روابط بین خصایص منتسبشده به ژنها توسط پروژه هستیشناسی ژنها و میزان مشابهتی که در بیان با یکدیگر دارند را فرا میگیرد. بهسادگی، خصایص گردآوریشده توسط هستیشناسی ژنها شامل عملکرد، فرآیند، و محل فعالیت ژنها هستند. بعد از پایان مرحله یادگیری، شبکه عصبی مصنوعی قادر است ژنهای همبیان را کشف کند. بهعلاوه، شبکههای زیستی از چندین گروه ژنی بههمپیوسته ساخته شدهاند، به همین دلیل یافتن این گروهها میتواند کیفیت شبکههای همبیانی ساخته شده را بالا ببرد. بنابراین، در گام بعدی روش، یک شبکه عصبی مصنوعی دیگر گروه ژنها را از روی همان خصایص هستیشناسی پیدا میکند. تحلیلهای ما نشان دادند که نتایج روش ایجادشده شباهت زیادی به نتایج آزمایشگاهی دارد. همچنین، ما نشان دادیم که شبکههای همبیانی ساختهشده توسط آن مشابه همارزهای زیستی و حتی مشابه آنهایی است که با دادههای بدون نقص ساخته شدهاند. درنهایت، ما از زبان C++ برای نوشتن روش استفاده کردهایم و برنامه آن در دسترس است. | ||
| Keywords | ||
| بیان ژن; شبکه عصبی پس انتشار; نگاشت خودسازماندهنده | ||
| References | ||
|
| ||
|
Statistics Article View: 210 PDF Download: 103 |
||
| Number of Journals | 45 |
| Number of Issues | 2,174 |
| Number of Articles | 24,684 |
| Article View | 25,071,413 |
| PDF Download | 17,773,656 |