پيشگويي دقيق ساختار دوم RNA مبتني بر الگوريتم ژنتيك

A genetic approach to accurately predict RNA secondary structure

مولكول RNA نقش مهم و اساسي در فرآيندهاي زيستي ايفا مي كند. در بيشتر مواقع، عملكرد RNAها توسط ساختار آنها مشخص مي شود. با توجه به پيچيدگي و هزينه بر بودن روشهاي آزمايشگاهي براي پيشگويي ساختار RNAها، از روشهاي محاسباتي استفاده مي گردد. الگوريتمهاي متنوعي جهت پيشگويي ساختار دوم مولكول RNA وجود دارد. در اين مقاله، يك الگوريتم ژنتيك به نام RNAG جهت پيشگويي ساختار دوم مولكول RNA براساس حداقل انرژي آزاد ارايه مي شود. در اين الگوريتم، هر فرد از جمعيت شامل تعدادي ساقه مي باشد. افراد براساس مقدار برازندگي حداقل انرژي آزاد شده از ساقه ها و حلقه ها به ترتيب صعودي رتبه بندي شده و در ادامه به ترتيب عملگرهاي تقاطع و جهش روي آنها براي ايجاد نسل بعد اجرا مي گردد. فرآيند توليد نسل تا زمان توليد يك فرد با حداقل انرژي آزاد مناسب ادامه مي يابد. در پايان اين فرد به عنوان ساختار دوم بهينه در نظر گرفته مي شود. الگوريتم پيشنهادي روي تعدادي از RNAها در باكتريها اجرا مي گردد. نتايج حاصل از اين تحقيق نشان مي دهد كه الگوريتم RNAG در مقايسه با ساير روشهاي مشابه داراي دقت بسيار بالا است.

RNA molecule plays important and fundamental roles in many biological processes. In the most times, activities of RNAs are determined by their structures. In notice to complexity and costly of laboratory methods to predict RNAs structure, computational approaches are used. There are variety of algorithms to predict RNA secondary structure. In this paper, a genetic algorithm called RNAG is presented to predict the RNA secondary structure based on minimum free energy (MFE). In this algorithm, each individual of population includes some stems. The individuals are increasingly ranked based on fitness value of MFE from stems and loops, and in the follow, crossover and mutation operations are done on individuals to make a new population, respectively. Process of population generation continues until an individual with proper MFE is produced. Finally, this individual is selected as an optimal RNA secondary structure. The proposed algorithm is performed on some RNAs in the bacteria. Results of the paper show that RNAG algorithm has a high accuracy in comparison with the other related methods.