استنتاج مجموعه پيش بيني كننده در شبكه تنظيم كننده ژن مبتني بر الگوريتم جستجوي گرانشي و تابع برازندگي ميانگين آنتروپي شرطي

The Predictor Set Inference in Gene Regulatory Network Using Gravitational Search Algorithm and Mean Conditional Entropy Fitness Measure

استنتاج شبكه تنظيم‌كننده ژن (GRN) با استفاده از داده هاي بيان ژن، براي درك وابستگي و نحوه تنظيم ژن‌ها، درك فرآيندهاي زيست شناسي، نحوه رخداد فرآيندها و همچنين جلوگيري از وقوع برخي فرآيندهاي ناخواسته (بيماري)، حايز اهميت است. ساخت صحيح GRN، نيازمند استنتاج صحيح مجموعه پيش بيني كننده است. به‌طور كلي، مهم‌ترين محدوديت براي استنتاج صحيح مجموعه پيش بيني كننده، حجم عظيم ژن ها، كم بودن تعداد نمونه ها و امكان نفوذ نويز در داده هاي بيان ژن است؛ بنابراين، ارايه روش هايي كارا براي استنتاج پيش بيني كننده ها با قابليت اطمينان بالا، يك نياز جدي است. در اين مقاله، با استفاده از الگوريتم جستجوي گرانشي(GSA)، يك روش كارا براي استنتاج مجموعه پيش‌بيني‌كننده ارايه شده است. به‌ازاي هر ژن هدف، يك الگوريتم GSA براي استنتاج زير‌مجموعه پيش‌بيني كننده آن ژن استفاده شده است. در هر جمعيت، يك جرم نشان دهنده زير‌مجموعه پيش‌بيني كننده مرتبط با آن ژن هدف است. جمعيت اوليه به‌ازاي هر ژن هدف، براساس ضريب همبستگي پيرسون توليد مي شود. براي هدايت الگوريتم GSA، از معيار ارزيابي ميانگين آنتروپي شرطي (MCE) استفاده شده است. نتايج تجربي حاصل از اعمال اين روش روي داده هاي زيست‌شناسي نشان مي دهد كه، روش پيشنهادي دقت بالايي براي استنتاج مجموعه پيش بيني كننده دارد. به‌علاوه، نتايج روي داده هاي زيست‌شناسي با مقياس كوچك و بزرگ نشان مي دهند كه، ميزان دقت روش پيشنهادي براي استنتاج GRN بيشتر از روش هاي مشابه است.

The inference of Gene Regulatory Network (GRN) using gene expression data is significantly important in order to understand gene dependencies, regulatory functions among genes, biological processes, way of process occurrence and avoiding some unplanned processes (disease). The accurate inference of GRN needs the accurate inference of predictor set. Generally, the main limitations of the predictor set inference are the small number of samples, the large number of genes and also the possibility influence of noise in gene expression data. Hence, providing efficient methods to infer predictor set with high reliability is a serious need. In this paper, an efficient method is proposed to infer predictor set using Gravitational Search Algorithm (GSA). A GSA is used for each target gene to infer the predictor subset of the gene. In a population, a mass represents a predictor subset of the associated gene. The initial population per target gene is generated by Pearson Correlation Coefficient (PCC). In order to guide the GSA, Mean Conditional Entropy (MCE) is used as the assessment criterion. Experimental results show that the proposed method has a good ability to infer the predictor set with high reliability. In addition, we also compared the proposed algorithm with a recent similar method based on genetic algorithm. Comparison results reveal the advantage of the proposed algorithm on biological datasets with small data volumes and large network scales.