برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.

در این روش ها، هر کدام از ژن ها یک متغیر تصادفی در نظر گرفته می شود. سپس سعی می شود تا توزیع احتمالی که رفتار این متغیرها را توصیف می کند بدست آید. وابستگی های موجود در بهترین توریع ارتباط بین ژن ها را مشخص می کند.
ابزار مورد استفاده در روش های بیزین، شبکه های بیزین هستند. از شبکه های بیزین برای اولین بار در تحقیق انجام شده به وسیله Friedman برای بازیابی شبکه های تنظیمات ژنی استفاده شد [6]. در [27] هر کدام از یال های شبکه بیزین عنوان گذاری شدند تا نوع ارتباط بین ژن ها مشخص شود. ارتباط یک ژن با ژن دیگر می تواند باعث افزایش و یا کاهش فعالیت ژن تاثیر پذیرنده شود.
یکی از محدودیت های شبکه های بیزین این است که امکان تعیین قطعی جهت ارتباط بین دو ژن حین یادگیری شبکه وجود ندارد. مشکل دیگر این است که چون روش های بیزین روش های آماری هستند و میزان داده های آموزشی که برای یاد گیری شبکه های تنظیم کننده ژنی استفاده می شوند کم است، شبکه های استنتاج شده توسط این روش ها به ناهنجاری های داده های آموزشی حساس هستند. مشکل دیگر این است که امکان مدل کردن ارتباط های حلقه ای (مانند چرخه های بازخورد در شبکه های تنظیم کننده ژنی) در شبکه های بیزین وجود ندارد.
برای رفع برخی از مشکلات مطرح شده در مورد شبکه های بیزین، در تحقیقات بعدی از شبکه های بیزین دینامیک استفاده شد [28،29]. این شبکه ها می توانند برای استنتاج شبکه های تنظیم کننده ژن از روی داده های سری زمانی بیان ژن مورد استفاده قرار گیرند. در این شبکه ها، جهت هر یال مشخص و قطعی است. همچنین شبکه های بیزین دینامیک قابلیت مدل کردن ارتباطات حلقه ای را دارند.
در [28]، شبکه های بیزین دینامیکی را برای مدل کردن واکنش هایی که به علت تغییرات فیزیولوژیکی درEscherichia coli رخ می دهند تولید کردند. در این روش از دانش بیولوژی برای گروه بندی ژن هایی که با یکدیگر رونویسی می شوند و در نتیجه co-regulated هستند استفاده شده بود. این عمل باعث کاهش تعداد پارامترهای مسئله و افزایش کارایی این مدل شد. این متد بر روی 169 ژن در 9 پترن از E.Coli آزمایش شد و توانست correlation های موجود در 4 پترن از 9 پترن را به درستی شناسایی کند.
[7] شبکه بیزین دینامیکی را ارائه کرد که شامل متغیرهای پنهان بود تا بدین طریق مشکل نویزهای بیولوژیکی و نویزهای اندازه گیری را حل کند. این مدل از یکی از انواع مدل های رگرسیون خطی و نویز با توزیع نرمال استفاده می کند. روش قید شده بر روی شبکه ترمیم DNA در E.Coli با تمرکز بر روی 8 ژن اصلی آزمایش شد و نتایج بدست آمده نشان داد که این مدل قادر است تا مدارهای اصلی تنظیمات ژنی را استخراج کند.
در [30] از شبکه بیزین دینامیک برای مدل کردن زیر شبکه ای از 45 ژن در سیستم چرخه سلولی Yeast استفاده شد. با مقایسه شبکه بدست آمده در این آزمایش و شبکه ای که قبلاً در پایگاه داده KEGG موجود بود، نویسندگان این تحقیق نتیجه گرفتند که شبکه بیزین دینامیک تعداد زیادی از یال های موجود در شبکه را به درستی استخراج می کند.
برای آزمایش کردن کاربرد شبکه های بیزین دینامیک در کار با داده های بیان ژن و اندازه گیری دقت آن در [10] آزمایشی مبتنی بر شبیه سازی انجام شد. بر خلاف کار با داده های بیولوژیکی واقعی، هنگام کار با داده های شبیه سازی شده ساختار واقعی شبکه تولید کننده داده ها مشخص است و مقایسه کامل شبکه بدست آمده با شبکه اصلی به سادگی امکان پذیر می باشد. نتایج بدست آمده نشان داد که در حالی که ساختار کلی شبکه بدست آمده مفید نیست، ساختار های محلی تا اندازه ای بازیابی می شوند.
در [8] از شبکه بیزین دینامیک با تأخیرهای زمانی مختلف استفاده شده است. در این روش از شیفت دادن سری های زمانی به اندازه مشخص پیش بینی شده استفاده شد و این روش بر روی داده های چرخه سلولی Yeast به کار گرفته شد.
در [31] از اطلاعات متقابل بین پروفایل های بیان دو ژن و تست برای تشخیص درجه اهمیت اطلاعات متقابل برای تصمیم گیری در مورد ساختار شبکه استفاده شده است.
در [32] از نگرشی مشابه اطلاعات متقابل استفاده شد؛ اما در این تحقیق اصل کوتاه ترین طول توصیف برای بدست آوردن آستانه اهمیت و حذف یال ها اضافی بکار گرفته شد. با این حال به علت استفاده کردن از قالب های کد کردن مختلف این روش شبکه های غیر یکتایی را تولید می کند.
[33] بر این مشکل با استفاده از اندازه گیری طول توصیف بر اساس یک مدل کلی غلبه یافت. مدل کلی در این تحقیق شباهت بیشینه نرمال شده می باشد.
فصل سوم
روش پیشنهادی
3-1- مقدمه
همان گونه که در فصل قبل عنوان شد، شبکه های بیزین دینامیک از عمده ترین مدل هایی هستند که برای استنتاج شبکه های تنظیمات ژنی استفاده می شوند. از مزایای شبکه های بیزین دینامیک می توان به توانایی مدل کردن ماهیت تصادفی رفتار شبکه های تنظیمات ژنی، توانایی مدل کردن حلقه های بازخورد و قابلیت استفاده از منابع اطلاعاتی مختلف برای استنتاج شبکه اشاره کرد.