ارتباط الگوریتم های هوش مصنوعی و بیان ژن ها

در فناوری ریز آرایه در حوزه ژنتیک و پزشکی، اطلاعات پروتئینی ژن های انسان به صورت داده هایی با اندازه بسیار بزرگ تولید و به صورت عددی، ثبت می شود که این حجم از داده ها با الگوریتم های ساده کامپیوتری قابل تحلیل نبوده و نیاز به الگوریتم های هوش مصنوعی برای بررسی آنها وجود دارد. به بیان دیگر داده های بزرگ، حجم، سرعت، تنوع بالایی از اقلام عددی هستند که نیازمند شکل جدیدی از پردازش هستند تا بتوان تصمیم گیری و یا حداقل تشخیص صحیحی را بر اساس اطلاعات به دست آمده از آنها انجام داد. همچنین داده های بزرگ حجم بالایی از داده های غیرساخت یافته هستند که با سیستم های مدیریت داده های رایج، قابل مدیریت و بهره برداری نیستند. در این مقاله، به بررسی ارتباط الگوریتم های هوش مصنوعی و بیان ژن ها پرداخته می شود و روش های طبقه بندی داده ها شامل شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و k میانگین به عنوان سه روش رایج طبقه بندی بررسی شده و کارآیی هر روش در طبقه بندی داده های بزرگ بیان ژن ها ارزیابی می شود. همچنین مزایا و معایب هر روش نیز بیان می شود تا امکان انتخاب یک روش مناسب برای طبقه بندی بر اساس مسئله مورد نظر فراهم شده باشد.

relationship between artificial intelligence algorithms and gene expression

relationship between artificial intelligence algorithms and gene expression abstract in microarray technology in the field of genetics and medicine, the protein information of human genes is produced in the form of very large data and numerically, which this volume of data can not be analyzed by simple computer algorithms and the need for algorithms, there are artificial intelligence to study them. in other words, big data is the volume, speed, and great variety of numerical items that require a new form of processing in order to make a decision or at least make a correct diagnosis based on the information obtained from them. big data is also a large amount of unstructured data that can not be managed and exploited with conventional data management systems. in this paper, the relationship between artificial intelligence algorithms and gene expression is investigated and data classification methods including artificial neural networks, support vector machine and k-mean as three common classification methods and the efficiency of each method are investigated. gene expression is evaluated in big data classification. the advantages and disadvantages of each method are also stated so that it is possible to choose a suitable method for classification based on the desired problem.