دانلود مقاله ترجمه شده یک الگوریتم مبتنی بر SAT، برای یافتن جاذب هایی در شبکه های بولی سنکرون(همزمان)
چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2001398 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
583 Kb
حجم فایل فارسی :
406 کیلو بایت
نوع فایل های ضمیمه :
Word+Pdf
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
یک الگوریتم مبتنی بر SAT، برای یافتن جاذب هایی در شبکه های بولی سنکرون(همزمان)
عنوان انگليسي
A SAT-Based Algorithm for Finding Attractors in Synchronous Boolean Networks
نویسنده/ناشر/نام مجله
IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 7 صفحه انگلیسی به صورت پی دی اف و 16 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله، مسئله ی یافتن جاذب ها در شبکه های بولی سنکرون مورد بررسی قرار میگیرد. الگوریتم های تصمیم بولی مبتنی بر دیاگرام که امروزه وجود دارد، به دلیل اینکه دیاگرام های تصمیم نیازمندی زیادی به حافظه دارند، از ظرفیت محدودی برخوردار هستند. الگوریتم های مبتنی بر شبیه سازی را میتوان بر روی شبکه های بزرگتر بکار برد، ولی چنین الگوریتم هایی کامل نیستند. در این مقاله، ما الگوریتمی را ارائه میدهیم که از مدل کرانه دار مبتنی بر SAT استفاده کرده تا تمامی جاذب ها در شبکه های بولی را پیدا کند. بهره وری این الگوریتم نیز به وسیله ی تحلیل هفت مدل شبکه از پروسه های بیولوژیکی واقعی ، و همچنین 150 هزار شبکه ی بولی که به تصادفی در اندازه هایی بین 100 و 7000 ایجاد شده اند، ارزیابی خواهد شد. نتایج بدست آمده نشان داده است که روش اتخاذی ما، این قابلیت را داشته تا مرتبه ی مقیاس مدل های بزرگتر را نسبت به مدل های فعلی مدیریت کند.
فهرست مطالب
1-مقدمه
2-مدل شبکه بولی
3-ایده ی اصلی
4- تشریح الگوریتم
5- کارهای مربوطه(پیشینه)
6-نتایج آزمایشی
7- نتیجه گیری
1-مقدمه
یک شبکه ی تنظیمی ژن(GNR) را میتوان مجموعه ای از بخش های DNA در یک سلول دانست، که ژن نام دارد دانست، که با همدیگر تعامل دارند[1]. هر ژن، شامل اطلاعاتی بوده که مشخص میکند که ژن چه کاری انجام میدهد و این ژن چه زمانی فعال یا منقضی است. زمانی که ژن فعال است، یک پروسه ای که رونویسی نام دارد رخ داده و یک اسید ریبونوکلئیک(RNA) که یک کپی از اطلاعات ژن بوده ایجاد میکند. این قسمت از RNA ، میتواند ترکیب پروتئین ها را هدایت کند. RNA یا مولکول های پروتئینی حاصله از پروسه ی رونویسی، به عنوان فراورده های ژن شناخته میشود.
بسیاری از مدل های ریاضی GRN که تا کنون پیشنهاد شده اند، شامل معادلات دیفرانسیل جزئی و معمولی، شبکه های بولی و قابلیت تعمیم آنها، شبکه های پتری، شبکه های بیزی، معادلات استوکاستیک هستند[2]. عموماٌ یک تنشی بین عمومیت یک مدل و قابلیت پی گیری وجود دارد. یک چارچوب ریاضی خوب ، بسته به مقیاس، ماهیت اطلاعات موجود و مسئله ی مطالعه شده انتخاب میشود.
در این مقاله، ما مدل شبکه ی بولی [3] را در نظر میگیریم که برای بهره برداری از GRN ها در زمینه ی دیفرانسیل سلولی [4]، پیش بینی دنباله چرخه سلول[5],[6] ، کامل بودن سیستم پاسخ دفاعی[7] و تکامل[8],[9] مفید میباشد. هر گره در یک شبکه ی بولی، متناظر با یک ژن میباشد. مقادیر ورودی گره ها، فرآورده های ژن را مشخص کرده و مقادیر خروجی آن نیز سطح نمایش ژن را مشخص میکند. یال های بین گره ها نیز تعاملات بین ژن ها را نشان میدهد. این تعامل یا میتواند به صورت فعالانه باشد که غلظت فراورده های ژن را در یک ژن افزایش داده و منجر به افزایش سطح نمایش ژن در یک ژن دیگر شده و یا میتواند به صورت بازدارنده صورت گرفته که افزایش یکی منجر به کاهش دیگری میشود. ماهیت تأثیر تنظیم کننده ها بر روی یک ژن، به وسیله ی یک تابع بولی که به گره ی متناظر تخصیص داده شده است منعکس میشود...
وارسی مدل کرانه دار SAT شبکه ی بولی جاذب شبکه های تنظیمی ژن
:کلمات کلیدی
چکیده انگلیسی
Abstarct
This paper addresses the problem of finding attractors in synchronous Boolean networks. The existing Boolean decision diagram-based algorithms have limited capacity due to the excessive memory requirements of decision diagrams. The simulation-based algorithms can be applied to larger networks, however, they are incomplete. We present an algorithm, which uses a SAT-based bounded model checking to find all attractors in a Boolean network. The efficiency of the presented algorithm is evaluated by analyzing seven networks models of real biological processes, as well as 150,000 randomly generated Boolean networks of sizes between 100 and 7,000. The results show that our approach has a potential to handle an order of magnitude larger models than currently possible
Contents
1. INTRODUCTION
2. THE BOOLEAN NETWORK MODEL
3. INTUITIVE IDEA
4. DESCRIPTION OF THE ALGORITHM
5. RELATED WORK
6. EXPERIMENTAL RESULTS
7. CONCLUSION
Keywords:
Bounded model checking SAT Boolean network attractor gene regulatory network.