پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

word 843 KB 31027 87
1391 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۷۲,۸۰۰ تومان
قیمت با تخفیف: ۳۳,۵۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه­ ی کارشناسی ارشد در رشته­ ی مهندسی کامپیوتر- هوش مصنوعی

    چکیده

    استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

    شبکه های تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن هستند که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کنند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد.

    روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده است. در این میان، شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا توجه زیادی را به خود جلب کنند.

    با وجود تحقیقات انجام شده در این زمینه، مهندسی معکوس شبکه های تنظیم کننده ژن به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است. همچنین میزان پیچیدگی زیاد این مدل ها و دقت آنها از مهم ترین نواقص آن ها می باشند.

    یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است. یکی از منابع عمده این دانش اولیه اطلاعات ما در مورد ساختار کلی شبکه های تنظیم کننده ژنی است. تحقیقات انجام شده نشان می دهند که تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی پیروی می کنند. در واقع این شبکه ها در درجه خروجی scale-free هستند.

    علیرغم این شواهد، روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.

    در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای استنتاج شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.

    آزمایش هایی که برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه انجام شده اند نشان می دهند که الگوریتم ارائه شده، زمانی که برای استنتاج شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به خصوص زمانی که داده های آموزشی ناکافی هستند به صورت قابل توجهی افزایش دهد.

     

    واژگان کلیدی: شبکه های بیزین دینامیک، شبکه های تنظیمات ژنی، ساختار Scale-Free

    فصل اول

     

    مقدمه

     

    در هر سلول یک ارگانیزم زنده، هر لحظه، هزاران ژن با هم در ارتباط هستند تا فرآیندهای پیچیده زیستی را انجام پذیر سازند. شبکه های تنظیم کننده ژنتیکی[1] مجموعه ای از قسمت های DNA در سلول می باشد که به طور غیر مستقیم (به وسیله RNA یا پروتئین های تولیدی) با یکدیگر و مواد دیگر درون سلول ارتباط دارند و بدین طریق سرعت رونویسی[2] از روی ژن ها را برای تشکیل mRNA کنترل می کنند. هر مولکول mRNA یک پروتئین خاص با کارایی خاصی را تولید می کند. بعضی از پروتئین ها فقط برای فعال یا غیر فعال کردن ژن ها استفاده می شوند. این گونه پروتئین ها فاکتورهای رونویسی[3] نامیده می شوند و اصلی ترین نقش را در شبکه تنظیم ژنی ایفا می کنند. به بیان دیگر شبکه تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن است که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد. از این رو تشخیص و مهندسی معکوس شبکه های تنظیم کننده ژنتیکی به یکی از مهم ترین زمینه های تحقیقاتی تبدیل شده است [1].

    عموماً برای تشکیل شبکه های تنظیم کننده ژنتیکی از داده های Microarray استفاده می کنند. Microarray یک تکنولوژی است که قابلیت اندازه گیری هم زمان میزان بیان[4] mRNA مربوط به هزاران ژن را بوجود آورده است و می تواند اطلاعات مربوط به ارتباط ژن ها را در سطح ژنوم در اختیار ما قرار دهد [2]. اما راه حل ساده ای برای تشخیص شبکه های تنظیم کننده ژنتیکی از روی داده های Microarray وجود ندارد. در بیشتر موارد تعداد مجهولات مسئله بسیار زیاد است. این در حالی است که تعداد کمی داده در اختیار داریم. همچنین در بسیاری از موارد میزان خطا در اندازه گیری های موجود بالاست و یا با مشکل عدم وجود اندازه گیری برای بعضی از متغیرها مواجه هستیم.

    داده های Microarray را می توان به دو نوع ایستا[5] و سری زمانی[6] تقسیم نمود. حالت اول تصویری است از بیان ژن ها در یک لحظه و شرایطی خاص. در حالت دوم بیان ژن ها در یک فرآیند درون سلولی در طول زمان اندازه گیری می شود. این سری های زمانی منعکس کننده فرآیندهای دینامیک درون سلولی هستند. اکثر روش های اولیه ای که برای آنالیز داده های سری زمانی Microarray استفاده می شدند در واقع روش هایی بودند که برای داده های ایستا طراحی شده بودند. در چند سال اخیر روش هایی برای کار با داده های سری زمانی به طور خاص مطرح شده اند که قادرند علاوه بر حل مشکلاتی که مخصوص داده های سری زمانی هستند، از ویژگی های منحصر به فرد این گونه داده ها نیز استفاده کنند. با این حال کار کردن با داده های سری زمانی نیازمند ظرافت و دقت بیشتری نسبت به داده های ایستا است و عمل مهندسی معکوس شبکه های تنظیم کننده ژنتیکی در این موارد مشکل تر است.

    روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده اند که مهمترین آن ها عبارتند از: شبکه های بولین [3]، شبکه های بولین تصادفی [4]، معادلات دیفرانسیل [5] و شبکه های بیزین[7] [6]. در این میان، شبکه های بیزین که قادرند رابطه علت و معلولی بین متغیر ها را بر اساس روابط احتمالاتی بیان کنند توجه زیادی را به خود معطوف کرده اند. به علت نویزی بودن داده های Microarray، استفاده از مدل های احتمالاتی به میزان زیادی می تواند کارایی مدل را افزایش دهد. علیرغم موفقیت نسبی شبکه های بیزین، عدم امکان وجود حلقه[8] در این شبکه ها کارایی آنها را در بسیاری از موارد محدود می کند چون در شبکه های تنظیم کننده ژنتیکی واقعی حلقه های بازخورد[9] متداول هستند. از این رو زمانی که با داده های سری زمانی مواجه هستیم شبکه های بیزین دینامیک به گزینه ای مناسب برای مدل کردن تبدیل می شود [7،8،9]. شبکه های بیزین دینامیک فرم عمومی تری از شبکه های بیزین هستند که می توانند داده های با تاخیرهای زمانی را مدل کنند.

    شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا این مدل توجه زیادی را به خود جلب کند. اول اینکه در این نوع مدل قادر هستیم تا روابط علت و معلولی بین متغیر ها را مستقیماً نشان داده و از اطلاعات موجود در این مورد استفاده کنیم. دومین امتیاز این مدل ماهیت تصادفی آن است. فرآیند های مربوط به تنظیمات ژنی فرآیند های تصادفی هستند و حتی اگر خود این فرآیندها ذاتاً قطعی باشند، میزان زیاد خطا در اندازه گیری های انجام شده باعث می شوند تا فرآیند ها از دید ما تصادفی باشند. سومین موردی که باعث برتری این مدل می شود قابلیت این شبکه ها برای دنبال کردن تغییر متغیرها در طول زمان است.

    علیرغم این ویژگی ها مهندسی معکوس شبکه های تنظیم ژن از روی داده های سری زمانی به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است [10]. همچنین در مقادیر اندازه گیری شده خطای زیادی وجود دارد و در مواردی برای بعضی از متغیرها اندازه گیری صورت نگرفته است. در حال حاضر در اکثر موارد در آزمایش هایی با تعداد کمی ژن یا داده های شبیه سازی شده به کار گرفته شده اند. میزان پیچیدگی زیاد این مدل ها و همچنین کمی دقت آنها از مهم ترین نواقص آن ها می باشند. برای بدست آوردن مدل هایی برای کار با داده های حجم بالا و افزایش کارایی مدل های تولید شده به تحقیقات بیشتری در این زمینه نیاز است.

    یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده و جبران کمبود داده های آموزشی طی فرآیند یادگیری شبکه به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است [11]. یکی از منابع عمده این دانش اولیه اطلاعاتی است که در مورد ساختار کلی شبکه های تنظیم کننده ژن بدست آمده است. تحقیقات انجام شده نشان می دهند که این شبکه ها از نظر ارتباطی خلوت[10] هستند. به بیان دیگر تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی[11] پیروی می کنند [12،13]. در واقع این شبکه ها در درجه خروجی scale-free هستند. این در حالی است که درجه ورودی در آن ها از توزیع پواسن با میانگین کم پیروی می کند [14،15،16].

    به زبان زیستی، در شبکه های تنظیم کننده ژنی بیان هر ژن توسط تعداد کمی ژن دیگر تنظیم می شود و همچنین اکثر ژن ها بر روی تعداد کمی ژن دیگر اثر تنظیم کنندگی دارند. اما، تعداد محدودی از ژن ها وجود دارند که بر روی بیان تعداد زیادی از ژن های دیگر اثر دارند. این ژن ها که عمده ترین نقش را در شبکه های تنظیم کننده ژنی بر عهده دارند hub نامیده می شوند.

    با وجود اینکه شواهد بسیاری در تایید ساختار scale-free شبکه های تنظیم کننده ژنی بدست آمده است، تمامی روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.

    در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای یادگیری شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.

    برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه از آزمایش های شبیه سازی متعددی استفاده شده است. نتایج این آزمایش ها نشان می دهند که الگوریتم ارائه شده، زمانی که برای یادگیری شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به صورت قابل توجهی افزایش دهد. هر چه اندازه داده های آموزشی کمتر باشد، تفاوت کیفیت شبکه استنتاج شده به وسیله الگوریتم ارائه شده با شبکه های استنتاج شده به وسیله الگوریتم های قبلی بیشتر می شود. همچنین زمانی که از این الگوریتم برای یاد گیری شبکه های با ساختار تصادفی استفاده می شود، الگوریتم ارائه شده قادر است تا شبکه هایی را بازیابی کند که از لحاظ مطابقت با شبکه واقعی معادل شبکه های استنتاج شده به وسیله روش های قبلی است.

     

     

    ضرورت انجام طرح

     

    شبکه های تنظیم کننده ژنتیکی نقش مهم و عمده ای را در تمام فرآیندهای حیاتی از جمله تفکیک سلولی، متابولیسم، چرخه سلولی و هدایت سیگنال ایفا می کنند. با فهمیدن دینامیک این گونه شبکه ها، قادر خواهیم بود تا به میزان زیادی مکانیزم بیماری هایی را که از به هم خوردن نظم این فرآیندهای سلولی بوجود می آیند دریابیم. همچنین پیش بینی دقیق رفتار شبکه های تنظیم کننده ژنتیکی سرعت انجام پروژه های بیوتکنولوژیکی را افزایش می بخشد. چون این گونه پیش بینی ها قطعاً از آزمایش های واقعی در محیط آزمایشگاه سریع تر و ارزان تر هستند.

     

     

    نگاه کلی به فصل های رساله

     

    در فصل دوم از این رساله، ابتدا تعریف دقیق تری از شبکه های تنظیم کننده ژنی و نقش آن ها در فرآیندهای سلولی ارائه می شود. سپس، روش های موجود برای استنتاج شبکه های تنظیمات ژنی معرفی خواهند شد و ویژگی های هر یک بررسی می شوند.

    در فصل سوم، تئوری های مربوط به شبکه های بیزین دینامیک و گراف های scale-free مرور می شوند. در ادامه این بخش، الگوریتم پیشنهادی برای یادگیری شبکه های بیزین دینامیک با ساختار scale-free ارائه می گردد.

    در فصل چهارم، آزمایش های انجام شده و نتایج بدست آمده از آن ها گزارش داده می شوند. در این بخش، توانایی الگوریتم پیشنهادی برای استنتاج کردن شبکه هایی با ساختار scale-free و یا با ساختار تصادفی با الگوریتم های موجود برای یادگیری شبکه مقایسه می شود.

    در پایان، خلاصه ای از دست آوردهایی تحقیق ارائه می گردد.

    فصل دوم

    پیشینه تحقیق

     

     

    2-1- مقدمه

     

    دراین بخش ابتدا مفاهیم زیستی مربوط به این تحقیق مرور می شود. این مفاهیم شامل تعاریف و توضیحات مربوط به ژن، بیان ژن و شبکه های تنظیمات ژنی است. در قسمت بعدی این بخش روش های عمده برای استنتاج شبکه های تنظیم کننده ژنی معرفی شده، به اختصار توضیح داده می شوند.

     

     

    مقدمات زیستی

     

    در زیر به بیان مفاهیم مربوط به ژن، بیان ژن و شبکه های تنظیمات ژنی پرداخته می شود.

     

    2-2-1- ژن[12]

    ژن قسمتی از DNA است که یک خصوصیت ویژه موروثی را کد می کند. دنباله های دیگر موجود در DNA اهداف ساختاری دارند و یا نقش تنظیم کننده را برای استفاده از اطلاعات ژن ها ایفا می کنند. طول یک ژن بر اساس تعداد بازهای موجود در آن بیان می شود و می تواند از چند صد تا چند صد هزار باز را شامل شود؛ اما به طور متوسط یک ژن شامل صد هزار تا صد و پنجاه هزار باز است.

    یک ژن می تواند بیش از یک فرم داشته باشد که هر کدام یک آلل[13] خوانده می شوند. آلل های مختلف می توانند خصوصیات فنوتیپیکی مختلفی را ایجاد کنند. برای مثال آلل های مختلف ژن مرتبط با رنگ چشم می توانند موجب ایجاد چشم با رنگ سبز یا قهوه ای شوند. با این وجود، بسیاری از اختلافات ژنی تأثیر قابل مشاهده ای ندارند.

    ژن ها دستور العمل ساخت پروتئین یا RNA را کد می کنند. پروتئین ها مهم ترین واحد کاری سلول ها هستند و در تقریباً در تمام فرآیندهای سلولی نقش اساسی ایفا می کنند. گروهی از پروتئین ها ساختاری هستند و مسئولیت شکل دادن به سلول ها و بافت ها را بر عهده دارند. گروه دیگر پروتئین ها آنزیم هستند و باعث سرعت بخشیدن به واکنش های درون سلول می شوند. برخی از پروتئین ها نقش جا به جا کردن مولکول های دیگر را برعهده دارند و برخی دیگر مسئول ارسال و دریافت سیگنال هستند. یکی دیگر از نقش های مهم پروتئین ها تنظیم فرآیندهای درون سلول است.

     

    2-2-2- بیان ژن[14]

    در تمامی ارگانیسم ها دو مرحله اصلی برای ساخت پروتئین از روی ژنی که آن پروتئین را کد می کند وجود دارد. در مرحله اول، طی فرآیندی به نام نسخه برداری[15]، از روی DNA حاوی ژن مورد نظر RNA پیام رسان[16] (mRNA) تولید می شود. در مرحله دوم که ترجمه[17] نام دارد، از روی mRNA پروتئین ساخته می شود. فرآیندی که طی آن یک مولکول عملیاتی زیستی از نوع RNA یا پروتئین تولید می شود بیان ژن نام دارد. مولکول تولید شده محصول ژن[18] خوانده می شود.

     

    2-2-3- شبکه های تنظیم کننده ژنی

    یک شبکه تنظیمات ژنی مجموعه ای است از قسمت هایی از DNA که به طور غیر مستقیم، از طریق محصول ژنی که می تواند پروتئین یا RNA باشد، با یکدیگر و مواد دیگر درون سلول در تعاملند و در نتیجه این تعامل نرخ تولید mRNA از روی ژن ها را کنترل می کند. قبلاً اشاره شد که پروتئین ها نقش های مختلف و اساسی در سلول ایفا می کنند. بعضی از پروتئین ها وظیفه فعال یا غیر فعال کردن ژن ها را بر عهده دارند. به این گونه پروتئین ها فاکتورهای رونویسی[19] گفته می شود و نقش اصلی را در شبکه های تنظیم ژنی بازی می کنند.

    در پیش هسته ای ها، شبکه های تنظیمات به محیط خارجی سلول واکنش نشان می دهند و بدین وسیله شرایط را برای زنده ماندن سلول در آن محیط فراهم می سازند. در ارگانیسم های چند سلولی مانند حیوانات همین شبکه ها شکل بدن را کنترل می کنند. در فرآیند تقسیم سلولی، ژنوم سلول های فرزند به طور کامل با ژنوم سلول مولد یکی است اما ژن هایی که در هر یک از این سلول ها فعالند می توانند با هم متفاوت باشند.

    یکی از ویژگی های مهم حیوانات چند سلولی استفاده از گرادیان های مورفوژنی است که یک سیستم مکان یابی را بوجود می آورند که به سلول اطلاع می دهد که در چه نقطه ای از بدن قرار گرفته است و متعاقباً چه ویژگی هایی باید داشته باشد.

    ژنی که در یک سلول فعال می شود می تواند پروتئینی تولید کند که از سلول خارج شده و وارد سلول های مجاور شود و زمانی که میزان آن در سلول مقصد به میزان مشخصی بیشتر شد ژن های خاصی را در آن سلول فعال سازد. در این مرحله ممکن است سلول مقصد در اثر فعال شدن ژن های جدید محصولی تولید کند که بر روی سلول اولیه تأثیر گذارد.

    در فواصل طولانی تر مورفوژن ها می توانند از فرآیند انتقال سیگنال استفاده کنند. چنین سیگنال هایی ایجاد یک نقشه از بدن را کنترل می کنند. همچنین از طریق فرآیندهای بازخورد نگه داری یک بدن بالغ را کنترل می کنند. اختلال چنین بازخوردهایی که به علت جهش های ژنتیکی بوجود می آیند می تواند باعث ایجاد سرطان شود.

     

     

    Abstract

     

    Inferring gene regulatory networks from microarray time-series data using dynamic Bayesian networks

     

    Gene regulatory networks are collections of gene-gene associations that govern the cause and effect relations in genetic processes. Our knowledge about these networks plays a significant role in our understanding of biological processes and might help us to discover new cures for complex disorders and make effective medicines.

    Many different methods have been proposed to infer gene regulatory networks. Among them, due to the specific advantages of dynamic Bayesian networks, they have received great attention.

    In spite of the volume of studies in this area, reverse engineering of GRNs is not a trivial task. Often, the size of training set is inadequate. Also, the computational complexity of these models and their low accuracy are yet other major problems in this context.

    One of the main solutions for improving the accuracy of the inferred networks is to incorporate different types of biological knowledge into the models. Studies have revealed that it is reasonable to assume a power-law distribution for the out-degree of GRNs and a Poisson distribution with a small mean for their in-degree.

    In spite of the mounting evidence about the scale-free topology of GRNs, conventionally, DBN learning algorithms consider these networks as simple random graphs or assign uniform prior to all graph structures that satisfy some special conditions.

    In this thesis, a new DBN learning algorithm with polynomial complexity is proposed, which is built specifically based on the assumption that the out-degree distribution of the actual network follows a power-law.

    The proposed algorithm is evaluated by inferring networks from tens of time-series generated from synthetic networks. The results demonstrated that the algorithm is able to significantly outperform other DBN learning algorithms in inferring scale-free networks.

     

    Keywords: Dynamic Bayesian Networks, Gene Regulatory Networks, Scale-Free Topology

     

  • فهرست:

    فصل اول: مقدمه                                                                                                       1

    ضرورت انجام کار                                                                             6

    نگاه کلی به فصول رساله                                                                     6

     

    فصل دوم: پیشینه تحقیق                                                                                         8

    2-1- مقدمه                                                                                         9

    2-2- مقدمات زیستی                                                                              9

    2-2-1- ژن                                                                                  9

    2-2-2- بیان ژن                                                                           10

    2-2-3- شبکه های تنظیم کننده ژنی                                                  11

    2-3- روش های یاد گیری شبکه های تنظیم کننده ژنی                                     12

    2-3-1- روش های مبتنی بر خوشه بندی                                              12

    2-3-2- روش های مبتنی بر رگرسیون                                                 13

    2-3-3- روش های مبتنی بر اطلاعات متقابل                                          14

    2-3-4- روش های تابعی                                                                 14

    2-3-5- روش های مبتنی بر تئوری سیستم                                           14

    2-3-6- روش های بیزین                                                                 15

     

    فصل سوم: روش پیشنهادی                                                                                    18

    3-1- مقدمه                                                                                        19

    3-2- شبکه های بیزین دینامیک                                                                 20

    3-3- یادگیری شبکه های بیزین دینامیک                                                      22

    3-3-1- روش های امتیازدهی بیزین                                                     23

    3-3-1-1- امتیازدهی به روش K2                                               25

    3-3-1-2- امتیازدهی به روش BDe                                            26

    3-3-2- روش های امتیازدهی بر اساس تئوری اطلاعات                               26

    3-3-2-1- امتیازدهی به روش log-likelihood (LL)                     27

    3-3-2-2- امتیازدهی به روش BIC                                            27

    امتیازدهی به روش AIC                                            28

    3-3-2-4- امتیازدهی به روش MIT                                            28

    - پیچیدگی زمانی یادگیری شبکه های بیزین دینامیک                        29

    3-4- شبکه های تصادفی و شبکه های Scale-free                                         31

    3-5- روش پیشنهادی                                                                            35

     

    فصل چهارم: نتایج تجربی                                                                                       44

    4-1- مقدمه                                                                                       45

    4-2- روش های تولید شبکه های Scale-free                                               46

    4-3- روش های سنجش دقت برای شبکه های استنتاج شده                                50

    4-4- آزمایش اول: استفاده از روش جستجوی کامل                                          52

    4-5- آزمایش دوم: نگاهی دقیق تر به عملکرد روش ارائه شده                               54

    4-6- آزمایش سوم: استفاده از جستجوی حریصانه                                           57

    4-7- آزمایش چهارم: بازیابی قسمتی از شبکه تنظیمات ژنی در Yeast                   60

    4-8- آزمایش پنجم: : عملکرد روش ارائه شده در بازیابی شبکه های تصادفی              63

     

    فصل پنجم: جمع بندی                                                                                           67

    5-1- نتیجه گیری                                                                                68

    5-2- پیشنهاد برای کارهای آتی                                                                 69

     

    منابع تحقیق                                                                                       70

    چکیده به زبان انگلیسی                                                                           74

     

     

    منبع:

     

    انگلیسی

    [1] Sima, Chao, Jianping Hua, and Sungwon Jung. "Inference of gene regulatory networks using time-series data: a survey." Current genomics 10, no. 6 (2009): 416.

    [2] Pham, Tuan D., Christine Wells, and Denis Crane. "Analysis of microarray gene expression data." Current bioinformatics 1, no. 1 (2006): 37-53.

    [3] Akutsu, Tatsuya, Satoru Miyano, and Satoru Kuhara. "Identification of genetic networks from a small number of gene expression patterns under the Boolean network model." In Pacific Symposium on Biocomputing, vol. 4, pp. 17-28. Maui, Hawaii: World Scientific, 1999.

    [4] Shmulevich, Ilya, Edward R. Dougherty, Seungchan Kim, and Wei Zhang. "Probabilistic Boolean networks: a rule-based uncertainty model for gene regulatory networks." Bioinformatics 18, no. 2 (2002): 261-274.

    [5] De Hoon, Michiel, Seiya Imoto, Kazuo Kobayashi, Naotake Ogasawara, and Satoru Miyano. "Inferring gene regulatory networks from time-ordered gene expression data of Bacillus subtilis using differential equations." In Biocomputing 2003: Proc. Pacific Symposium, vol. 8, pp. 17-28. 2002.

    [6] Friedman, Nir, Michal Linial, Iftach Nachman, and Dana Pe'er. "Using Bayesian networks to analyze expression data." Journal of computational biology 7, no. 3-4 (2000): 601-620.

    [7] Perrin, Bruno-Edouard, Liva Ralaivola, Aurelien Mazurie, Samuele Bottani, Jacques Mallet, and Florence d’Alche–Buc. "Gene networks inference using dynamic Bayesian networks." Bioinformatics 19, no. suppl 2 (2003): ii138-ii148.

    [8] Zou, Min, and Suzanne D. Conzen. "A new dynamic Bayesian network (DBN) approach for identifying gene regulatory networks from time course microarray data." Bioinformatics 21, no. 1 (2005): 71-79.

    [9] Kim, Sun Yong, Seiya Imoto, and Satoru Miyano. "Inferring gene networks from time series microarray data using dynamic Bayesian networks." Briefings in bioinformatics 4, no. 3 (2003): 228-235.

    [10] Husmeier, Dirk. "Sensitivity and specificity of inferring genetic regulatory interactions from microarray experiments with dynamic Bayesian networks." Bioinformatics 19, no. 17 (2003): 2271-2282.

    [11] Hecker, Michael, Sandro Lambeck, Susanne Toepfer, Eugene van Someren, and Reinhard Guthke. "Gene regulatory network inference: Data integration in dynamic models—A." Biosystems 96 (2009): 86-103.

    [12] Sandy Shaw, Evidence of Scale-free Topology and Dynamics in Gene Regulatory Networks, Proceedings of the ISCA 12th International Conference on Intelligent and Adaptive Systems and Software Engineering, Vol. 0 (2003), pp. 37-40

    [13] Featherstone, David E., and Kendal Broadie. "Wrestling with pleiotropy: genomic and topological analysis of the yeast gene expression network." Bioessays 24, no. 3 (2002): 267-274.

    [14] Babu, M. Madan, Nicholas M. Luscombe, L. Aravind, Mark Gerstein, and Sarah A. Teichmann. "Structure and evolution of transcriptional regulatory networks." Current opinion in structural biology 14, no. 3 (2004): 283-291.

    [15] Klemm, Konstantin, and Stefan Bornholdt. "Topology of biological networks and reliability of information processing." Proceedings of the National Academy of Sciences of the United States of America 102, no. 51 (2005): 18414-18419.

    [16] Yu, Haiyuan, and Mark Gerstein. "Genomic analysis of the hierarchical structure of regulatory networks." Proceedings of the National Academy of Sciences 103, no. 40 (2006): 14724-14731.

    [17] Eisen, Michael B., Paul T. Spellman, Patrick O. Brown, and David Botstein. "Cluster analysis and display of genome-wide expression patterns." Proceedings of the National Academy of Sciences 95, no. 25 (1998): 14863-14868.

    [18] Guthke, Reinhard, Ulrich Möller, Martin Hoffmann, Frank Thies, and Susanne Töpfer. "Dynamic network reconstruction from gene expression data applied to immune response during bacterial infection." Bioinformatics 21, no. 8 (2005): 1626-1634.

    [19] Hastie, Trevor, Robert Tibshirani, Michael B. Eisen, Ash Alizadeh, Ronald Levy, Louis Staudt, Wing C. Chan, David Botstein, and Patrick Brown. "Gene shaving’as a method for identifying distinct sets of genes with similar expression patterns." Genome Biol 1, no. 2 (2000): 1-0003.

    [20] Yeung, MK Stephen, Jesper Tegnér, and James J. Collins. "Reverse engineering gene networks using singular value decomposition and robust regression." Proceedings of the National Academy of Sciences 99, no. 9 (2002): 6163-6168.

    [21] Rogers, Simon, and Mark Girolami. "A Bayesian regression approach to the inference of regulatory networks from gene expression data." Bioinformatics 21, no. 14 (2005): 3131-3137.

    [22] Basso, K., Margolin, A. A., Stolovitzky, G., Klein, U., Dalla-Favera, R., and Califano, A. Reverse engineering of regulatory networks in human cells. Nature Genetics 37, 4 (Apr 2005), 382–90.

    [23] Liang, Shoudan, Stefanie Fuhrman, and Roland Somogyi. "REVEAL, a general reverse engineering algorithm for inference of genetic network architectures." In Pacific symposium on biocomputing, vol. 3, no. 18-29, p. 2. 1998.

    [24] Akutsu, Tatsuya, Satoru Miyano, and Satoru Kuhara. "Identification of genetic networks from a small number of gene expression patterns under the Boolean network model." In Pacific Symposium on Biocomputing, vol. 4, pp. 17-28. Maui, Hawaii: World Scientific, 1999.

    [25] Thieffry, D., and Thomas, R. Dynamical behaviour of biological networks: Ii. immunity control in bacteriophage lamabda. Bulletin of Mathematical Biology 57, 2 (1995), 277–297.

    [26] Kholodenko, Boris N., Anatoly Kiyatkin, Frank J. Bruggeman, Eduardo Sontag, Hans V. Westerhoff, and Jan B. Hoek. "Untangling the wires: a strategy to trace functional interactions in signaling and gene networks." Science Signalling 99, no. 20 (2002): 12841.

    [27] Hartemink, Alexander J., David K. Gifford, Tommi S. Jaakkola, and Richard A. Young. "Using graphical models and genomic expression data to statistically validate models of genetic regulatory networks." In Pac. Symp. Biocomput, vol. 6, pp. 422-433. 2001.

    [28] Ong, Irene M., Jeremy D. Glasner, and David Page. "Modelling regulatory pathways in E. coli from time series expression profiles." Bioinformatics 18, no. suppl 1 (2002): S241-S248.

    [29] Ong, Irene M., and David Page. "Inferring regulatory pathways in E. coli using dynamic Bayesian networks." Informe técnico 1426 (2001).

    [30] Kim, Sun Yong, Seiya Imoto, and Satoru Miyano. "Inferring gene networks from time series microarray data using dynamic Bayesian networks." Briefings in bioinformatics 4, no. 3 (2003): 228-235.

    [31] Missal, Kristin, Michael A. Cross, and Dirk Drasdo. "Gene network inference from incomplete expression data: transcriptional control of hematopoietic commitment." Bioinformatics 22, no. 6 (2006): 731-738.

    [32] Zhao, Wentao, Erchin Serpedin, and Edward R. Dougherty. "Inferring gene regulatory networks from time series data using the minimum description length principle." Bioinformatics 22, no. 17 (2006): 2129-2135.

    [33] Dougherty, John, Ioan Tabus, and Jaakko Astola. "Inference of gene regulatory networks based on a universal minimum description length." EURASIP Journal on Bioinformatics and Systems Biology 2008 (2008): 5.

    [34] Ghahramani, Zoubin. "Learning dynamic Bayesian networks." Adaptive Processing of Sequences and Data Structures (1998): 168-197.

    [35] Murphy, Kevin Patrick. "Dynamic bayesian networks: representation, inference and learning." PhD diss., University of California, 2002.

    [36] Barabási, Albert-László, and Réka Albert. "Emergence of scaling in random networks." science 286, no. 5439 (1999): 509-512.

    [37] Haynes, Brian C., and Michael R. Brent. "Benchmarking regulatory network reconstruction with GRENDEL." Bioinformatics 25, no. 6 (2009): 801-807.

    [38] Vinh, Nguyen Xuan, Madhu Chetty, Ross Coppel, and Pramod P. Wangikar. "GlobalMIT: learning globally optimal dynamic bayesian network with the mutual information test criterion." Bioinformatics 27, no. 19 (2011): 2765-2766.

     


موضوع پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, نمونه پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, جستجوی پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, فایل Word پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, دانلود پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, فایل PDF پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, تحقیق در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, مقاله در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, پروژه در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, پروپوزال در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, تز دکترا در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, تحقیقات دانشجویی درباره پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, مقالات دانشجویی درباره پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, پروژه درباره پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, گزارش سمینار در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, پروژه دانشجویی در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, تحقیق دانش آموزی در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, مقاله دانش آموزی در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک, رساله دکترا در مورد پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

چکیده تغییر پارامترهای موجود در یک فرآیند صنعتی باعث آن می­گردد که فرآیند از نقطه کار مطلوب خود خارج گردد. این تغییر به­نوبه­ی خود کاهش کارایی کنترل­کننده­های حلقه بسته­ای را که برای نقطه کار مطلوب سیستم طراحی شده­اند را به­دنبال خواهد داشت. لذا نیاز است که ابتدا این تغییرات به­صورت یک عیب تشخیص و شناسایی شود و سپس با تغییر پارامترهای فرآیند یا ساختار کنترل­کننده برحسب نیاز نسبت ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc.) بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزه‌های آبخیز (مطالعه موردی: حوزه آبخیز کل، استان فارس) به وسیله: جلال زارعی چکیده: اهمیت و جایگاه آب در زندگی بشر به ویژه در دنیای پیشرفته و پر جمعیت کنونی بر کسی پوشیده نیست و زندگی صنعتی و شهری مصرف سرانه آب را نسبت به شرایط زندگی سنتی چندین برابر نموده است. امروزه این ...

پایان‌نامه کارشناسی ارشد گرایش الکترونیک چکیده امروزه با توجه به مزایای شبکه­های حسگر بی­سیم که همانا پیاده­­سازی ساده و ارزان، مصرف توان پایین و مقیاس­پذیری بالای آنها است، در بسیاری از کاربردها مورد استفاده قرار گرفته­اند. طراحی شبکه­های پایدار حسگر بی­سیم یک مسئله بسیار چالش برانگیز است. انتظار می­رود حسگرها با انرژی محدود به صورت خودکار برای مدت طولانی کار کنند. این در حالی ...

پایان نامه برای دریافت درجه کارشناسی ارشد (M.Sc) چکیده: یک شبکه حسگر متشکل از تعداد زیادی گره‌های حسگر است که در یکمحیط به طور گسترده پخش شده و به جمع‌آوری اطلاعات از محیط می‌پردازند.از آنجایی که گره ها از باتری تغذیه میکنند ،مساله مهمی که در شبکه های حسگرمورد توجه قرار میگیرد،بحث مصرف انرژی است.یکی از روشهایی که در این شبکه ها برای کاهش مصرف انرژی بسیار رایج است خواباندن گره ها ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc) چکیده شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد. بنابراین توان مصرفی گره‌ها موضوع مهمی در این شبکه ها است. و استفاده از روش‌های دقیق و سریع ...

مقطع کارشناسی ارشد ناپیوسته رشته مهندسی کامپیوتر چکیده امروزه محبوبیت سایت های شبکه های اجتماعی در بین افراد غیر قابل انکار است، سایت هایی که امکانات زیادی را برای ارتباطات بین افراد در اختیار کاربران قرار می دهند. یکی از مشکلات اساسی در آنالیز این نوع شبکه ها پیش بینی ارتباطات جدید بین افراد شبکه می باشد. روش فازی به عنوان یکی از روش های مطرح در هوش مصنوعی، راه ساده ای را برای ...

پایان نامه برای دریافت درجه کارشناسی ارشد (M.Sc ) گرایش : الکترونیک چکیده: یک شبکه حسگر متشکل از تعداد زیادی گره‌های حسگر است که در یکمحیط به طور گسترده پخش شده و به جمع‌آوری اطلاعات از محیط می‌پردازند.از آنجایی که گره ها از باتری تغذیه میکنند ،مساله مهمی که در شبکه های حسگرمورد توجه قرار میگیرد،بحث مصرف انرژی است.یکی از روشهایی که در این شبکه ها برای کاهش مصرف انرژی بسیار رایج ...

پایان نامه دریافت درجه کارشناسی ارشد ( M.S ) گرایش برق قدرت چکیده با گسترش روزافزون مصرف انرژی در جهان، توسعه شبکه های قدرت امری ضروریست. اما ایجاد خطوط انتقال جدید، مستلزم صرف زمان وهزینه های گزاف بوده ولذا درصورت امکان استفاده ازهمان خطوط با ظرفیت انتقال بالاتر بسیار مقرون به صرفه می باشد. امروزه سیستم شبکه های قدرت با مشکلاتی از قبیل ناپایداری ولتاژ با ریسک بالا و تلفات توان ...

پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازه‌ های هیدرولیکی چکیده: رودخانه‌ ها از مهم‌ترین و متداول‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار می‌آیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیش‌بینی کیفیت جریان رودخانه‌ها که پدیده‌ای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر ...

پایان نامه به عنوان یکی از الزامات جهت دریافت درجه کارشناسی ارشد چکیده: پیش‌بینی سری‌های زمانی یکی از شاخه های علم آمار و احتمال است که در سایر رشته‌ها مانند اقتصاد، مهندسی ارتباطات، هواشناسی، مدیریت و بازاریابی کاربرد فراوانی دارد. دامنه کاربرد پیش‌بینی سری‌های زمانی روزبه‌روز گسترده‌تر شده و نیاز دانش‌پژوهان در این زمینه افزون‌تر می‌گردد. سری‌های‌ زمانی آشوبی، زیرمجموعه‌ای از ...

ثبت سفارش