استنتاج شبکه هم‌بیانی ژن‌ها از روی ویژگی‌های منتسب‌شده به آنها به‌وسیله شبکه‌های عصبی مصنوعی

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.

Inferring Co-Expression Networks from their Associated Attrib-utes by Neural Networks

Gene expression, flow of information from DNA to proteins, is a fundamental biological process. Expression of one gene can be regulated by the product of another gene. These regulatory relationships are usually modeled as a network; genes are modeled as nodes and their relationships are shown as edges. There are many efforts for discovering how genes regulate expression of themselves. This paper presents a new method that employs expression data and ontological data to infer coexpression networks, networks made by connecting genes with similar expression patterns. In brief, the method begins by learning associations between the available ontological information and the provided coexpression data. Later, the method is able to find both known and novel coexpressed pairs of genes. Finally, the method uses a selforganizing map to adjust estimation made by the previous step and to form the GCN for the input genes. The results show that the proposed method works well on the biological data and its predictions are accurate; consequently, coexpression networks generated by the proposed method are very similar to the biological networks or those that constructed with no missing data. The method is written in C++ language and is available upon request from the corresponding author.