فشرده‌سازی سیگنال‌های ژنوم با کمک حسگری فشرده و کاربرد آن در مقایسه دنباله‌های ژنی

تحلیل توالی‌های ژنی نقطه شروع درک عملکرد ارگانیسم‌های بیولوژیکی است. در سال‌های اخیر، هزینه‌های توالی‌برداری ژن به‌شدت کاهش یافته است و مقدار زیادی از داده‌های ژنومی درحال تولید هستند. ازطرفی، هزینه حافظه ذخیره‌سازی، پردازش و انتقال این داده‌ها درحال افزایش است. پردازش این حجم عظیم اطلاعات بیشتر توسط روش‌های کاراکتر مبنا صورت می‌گیرد که زمان‌بر است. ظرفیت‌های بالقوّه فراوانی برای مقابله با این چالش‌ها در حوزه پردازش سیگنال وجود دارد. بنابراین، نگاه سیگنالی به دنباله‌های ژنی، پردازش سیگنال ژنوم و فشرده‌سازی آن می‌تواند مفید واقع شود. فشرده‌سازی سیگنال‌ها هزینه برای آنالیز، فضای حافظه برای ذخیره‌سازی، پهنای باند برای مبادله و زمان مورد نیاز برای تحلیل را کاهش می‌دهد. در این مقاله ابتدا دنباله‌های ژنی کاراکتری به‌صورت سیگنالی بیان شدند. سپس، سیگنال‌های ژنومی حاصل توسط روش حسگری فشرده مبتنی‌بر یادگیری بیزین فشرده‌سازی شدند. توانایی روش در بازسازی سیگنال‌های فشرده شده با استفاده از معیارهای prd و nmse مورد بررسی قرار گرفت. سپس به‌منظور مقایسه و بررسی مشابهت دنباله‌ها، درختچه فیلوژنتیک از روی سیگنال‌های فشرده شده با نرخ 75% رسم شد. نتایج نشان دادندکه مقایسه دنباله‌ها با روش سیگنال مبنا با صرف زمان بسیار کمتر 1.2853 ثانیه در مقایسه با روش کاراکتر مبنا با زمان 126 ثانیه صورت می‌گیرد.

Genomic Signals Compression by Compressed Sensing and Its Application in Sequences Comparison

The analysis of gene sequences is fundamentally important for exploring biological functions. Recently, the cost of gene sequencing has dropped sharply, thereby resulting in the production of considerable genomic data. However, the costs of saving, processing, and transferring these data are rising. At present, processing this massive volume of information is done by character based method which is highly time consuming. Alternative methods challenge these problems in the realm of signal processing. Accordingly, the signal outlook to the genome, signal processing of the genome and compression of the genome are presently hot issues which are practically in demand. Compression reduces the cost, memory space, bandwidth for exchange, and the time required for analysis. In this study, the character genes were firstly represented as signals. Then, these genomic signals were compressed by compressed sensing. Consequently, they were reconstructed by bayesian learning method. Adopted criteria for reconstruction were PRD and NMSE, respectively. Then, signals were selected with a compression rate of 75% for comparison. Meanwhile, the same cluster analysis was run with character based method. The results indicated that the time needed for signal based method was considerably lower than the character based method.