استنتاج شبكه هم‌بياني ژن‌ها از روي ويژگي‌هاي منتسب‌شده به آنها به‌وسيله شبكه‌هاي عصبي مصنوعي

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

فرآيند شارش اطلاعات از DNA به پروتين‌ها كه به بيان ژن موسوم است، يك فرآيند پايه‌اي در زيست‌شناسي است. تنظيم بيان ژن‌ها پاسخ سلول‌ها به محرك‌هاي فراواني بوده و براي آنها حياتي است. ژن‌ها با بيان مشابه در يك سري آزمايش مناسب، ژن‌هاي هم‌بيان، به‌طور معمول توسط تنظيم‌كننده‌هاي يكسان مديريت مي‌شوند و باز هم به‌طور معمول تغيير در بيان آنها پاسخ به محرك‌هاي يكساني هستند. در اين مقاله ما يك روش جديد ارايه كرده‌ايم كه داده‌هاي مرتبط با بيان و هستي‌شناسي ژن‌ها را به‌كارگرفته و به‌وسيله آنها ژن‌هاي هم‌بيان را يافته و شبكه هم‌بياني ژن‌ها را ايجاد مي‌كند. در ابتداي روش ايجادشده يك شبكه عصبي مصنوعي روابط بين خصايص منتسب‌شده به ژن‌ها توسط پروژه هستي‌شناسي ژن‌ها و ميزان مشابهتي كه در بيان با يكديگر دارند را فرا مي‌گيرد. به‌سادگي، خصايص گردآوري‌شده توسط هستي‌شناسي ژن‌ها شامل عملكرد، فرآيند، و محل فعاليت ژن‌ها هستند. بعد از پايان مرحله يادگيري، شبكه عصبي مصنوعي قادر است ژن‌هاي هم‌بيان را كشف كند. به‌علاوه، شبكه‌هاي زيستي از چندين گروه ژني به‌هم‌پيوسته ساخته شده‌اند، به همين دليل يافتن اين گروه‌ها مي‌تواند كيفيت شبكه‌هاي هم‌بياني ساخته شده را بالا ببرد. بنابراين، در گام بعدي روش، يك شبكه عصبي مصنوعي ديگر گروه ژن‌ها را از روي همان خصايص هستي‌شناسي پيدا مي‌كند. تحليل‌هاي ما نشان دادند كه نتايج روش ايجادشده شباهت زيادي به نتايج آزمايشگاهي دارد. همچنين، ما نشان داديم كه شبكه‌هاي هم‌بياني ساخته‌شده توسط آن مشابه هم‌ارزهاي زيستي و حتي مشابه آنهايي است كه با داده‌هاي بدون نقص ساخته شده‌اند. درنهايت، ما از زبان C++ براي نوشتن روش استفاده كرده‌ايم و برنامه آن در دسترس است.

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 co-expression 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 co-expression data. Later, the method is able to find both known and novel co-expressed pairs of genes. Finally, the method uses a self-organizing 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, co-expression 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.