• فصل سوم: روش پیشنهادی 18
    • 3-1- مقدمه 19
    • 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

3-3-2-3- امتیازدهی به روش AIC28

3-3-2-4- امتیازدهی به روش MIT28

3-3-3پیچیدگی 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-free46

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

فهرست جدول ها

پایان نامه

   

جدول 4-1- نتایج بدست آمده به وسیله روش های مختلف برای استنتاج شبکه های scale-freeبا استفاده از داده های آموزشی به طول 50

جدول 4-2- نتایج بدست آمده به وسیله روش های مختلف برای استنتاج شبکه های scale-free با استفاده از داده های آموزشی به طول 100

54

54

 

 

   

فهرست شکل ها

   

شکل 3-1- مثالی از دو شبکه های بیزین تشکیل دهنده یک شبکه بیزین دینامیک

شکل 3-2- قالب اصلی الگوریتم یادگیری شبکه های بیزین دینامیک

شکل 3-3- شمای کلی توزیع دو جمله ای

شکل 3-4- شمای کلی توزیع قانون توانی

شکل 3-5- شبه کد الگوریتم ارائه شده برای یاد گیری شبکه های بیزین دینامیک با ساختار scale-free

شکل 3-6- شبه کد الگوریتم ارائه شده برای یاد گیری شبکه های بیزین دینامیک با ساختار scale-free با استفاده از روش جستجوی حریصانه

شکل 4-1- توزیع احتمالی درجه خروجی برای 1000 شبکه شامل 1000 گره تولید شده به وسیله الگوریتم شبیه سازی برای تولید شبکه های scale-free

شکل 4-2- توزیع احتمالی درجه ورودی برای 1000 شبکه شامل 1000 گره تولید شده به وسیله الگوریتم شبیه سازی برای تولید شبکه های scale-free

شکل 4-3- نمونه ای از شبکه جهت دار با ساختار scale-free

شکل 4-4- مقایسه بین نمونه های مختلف از الگوریتم پیشنهادی

شکل 4-5- نتایج بدست آمده به وسیله روش های مختلف برای استنتاج شبکه هایی با ساختار scale-free

شکل 4-6- قسمتی از زیر شبکه تنظیمات ژنی در Yeast

شکل 4-7- نتایج بدست آمده به وسیله روش های مختلف برای استنتاج قسمتی از زیر شبکه تنظیمات ژنی در Yeast

شکل 4-8- نتایج بدست آمده به وسیله روش های مختلف برای استنتاج شبکه های تظادفی

21

31

32

33

39

42

49

49

50

56

59

61

62

65

چکیده

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 معکوسشبکه 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.

  • مقدمه
موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...