ارتباط الگوريتم هاي هوش مصنوعي و بيان ژن ها

Relationship between artificial intelligence algorithms and gene expression

در فناوري ريز آرايه در حوزه ژنتيك و پزشكي، اطلاعات پروتئيني ژن هاي انسان به صورت داده هايي با اندازه بسيار بزرگ توليد و به صورت عددي، ثبت مي شود كه اين حجم از داده ها با الگوريتم هاي ساده كامپيوتري قابل تحليل نبوده و نياز به الگوريتم هاي هوش مصنوعي براي بررسي آنها وجود دارد. به بيان ديگر داده هاي بزرگ، حجم، سرعت، تنوع بالايي از اقلام عددي هستند كه نيازمند شكل جديدي از پردازش هستند تا بتوان تصميم گيري و يا حداقل تشخيص صحيحي را بر اساس اطلاعات به دست آمده از آنها انجام داد. همچنين داده هاي بزرگ حجم بالايي از داده هاي غيرساخت يافته هستند كه با سيستم هاي مديريت داده هاي رايج، قابل مديريت و بهره برداري نيستند. در اين مقاله، به بررسي ارتباط الگوريتم هاي هوش مصنوعي و بيان ژن ها پرداخته مي شود و روش هاي طبقه بندي داده ها شامل شبكه هاي عصبي مصنوعي، ماشين بردار پشتيبان و k ميانگين به عنوان سه روش رايج طبقه بندي بررسي شده و كارآيي هر روش در طبقه بندي داده هاي بزرگ بيان ژن ها ارزيابي مي شود. همچنين مزايا و معايب هر روش نيز بيان مي شود تا امكان انتخاب يك روش مناسب براي طبقه بندي بر اساس مسئله مورد نظر فراهم شده باشد.

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.