توضیحات
ABSTRACT
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.
INTRODUCTION
A gene regulatory network (GRN) is a collection of DNA segments in a cell, called genes, which interact with each other . Each gene contains information that determine what the gene does and when the gene is active, or expressed. When a gene is active, a process called transcription takes place, producing an ribonucleic acid (RNA) copy of the gene’s information. This piece of RNA can then direct the synthesis of proteins. RNA or protein molecules resulting from the transcription process are known as gene products .Many mathematical models of GRNs have been developed including ordinary and partial differential equations, Boolean networks and their generalizations, Petri nets, Bayesian networks, stochastic equations, and process calculi . There is always a tension between the generality of a model and its tractability. An appropriate mathematical framework is usually selected depending on the scale involved, the nature of the available information, and the problem studied. In this paper, we consider the Boolean network model which has been shown useful for exploring GRNs in the context of cellular differentiation , cell cycle sequence prediction ,maturation of the immune response , and evolution . Every node in a Boolean network corresponds to a gene. The input alues of nodes represent the gene products and the output values of nodes represent the level of gene expression. The edges between the nodes represent the regulatory interactions between the genes .These interactions can be activatory, with an increase in the concentration of the gene products in one gene leading to an increase in the level of gene expression in the other gene, or inhibitory, with an increase in one leading to a decrease in the other.
چکیده
این مقاله به مشکل یافتن جذب کننده ها در شبکه های بولی همزمان می پردازد. الگوریتم های مبتنی بر الگوریتم تصمیم گیری بولین، به دلیل الزامات حافظه بیش از حد از نمودارهای تصمیم گیری، ظرفیت محدودی دارند. الگوریتم های مبتنی بر شبیه سازی را می توان به شبکه های بزرگتر اعمال کرد، با این حال، آنها ناقص هستند. ما یک الگوریتم ارائه می دهیم که با استفاده از یک مدل محدود شده مبتنی بر SAT برای یافتن همه جذب ها در یک شبکه بولی استفاده می شود. کارایی الگوریتم ارائه شده با تجزیه و تحلیل مدل هفت شبکه فرآیندهای بیولوژیکی واقعی و همچنین 150،000 شبکه بولی به طور تصادفی تولید شده بین 100 تا 7000 مورد ارزیابی می شود. نتایج نشان می دهد که رویکرد ما دارای یک پتانسیل برای رسیدگی به دستورات مدل های بزرگتر از آنچه در حال حاضر امکان پذیر است.
مقدمه
یک شبکه نظارتی ژنی (GRN) مجموعه ای از بخش های DNA در یک سلول است که به نام ژن ها نامیده می شود که با یکدیگر ارتباط دارند. هر ژن حاوی اطلاعاتی است که تعیین می کند که ژن چیست و چه زمانی ژن فعال است یا بیان می شود. هنگامی که یک ژن فعال است، فرایندی به نام رونویسی می شود، که یک کپی ریبونوکلئیک اسید (RNA) از اطلاعات ژن تولید می کند. این قطعه RNA می تواند سنتز پروتئین را هدایت کند. مولکولهای RNA یا پروتئین حاصل از فرایند رونویسی به عنوان محصولات ژنی شناخته می شوند. تعداد زیادی از مدل های ریاضی GRN ها از جمله معادلات دیفرانسیل معمول و جزئی، شبکه های بولین و تعمیم آنها، شبکه های پتری، شبکه های بیزی، معادلات استوایی و کالیبراسیون فرآیند تولید شده است. همیشه بین انضباط یک مدل و تردید آن وجود دارد. چارچوب ریاضی مناسب معمولا بسته به مقیاس درگیر، ماهیت اطلاعات موجود و مشکل مورد بررسی قرار می گیرد. در این مقاله، مدل شبکه بولی را در نظر گرفته ایم که برای بررسی GRN ها در زمینه تمایز سلولی، پیش بینی توالی سلول سلولی، بلوغ پاسخ ایمنی و تکامل، مفید است. هر گره در یک شبکه Boolean مربوط به یک ژن است. پایه ورودی گره ها محصولات ژن را نشان می دهد و ارزش خروجی گره ها نشان دهنده سطح بیان ژن می باشد. لبه های بین گره ها نشان دهنده تعاملات نظارتی بین ژن ها هستند. این تعاملات می توانند فعال باشند، با افزایش غلظت محصولات ژن در یک ژن منجر به افزایش سطح بیان ژن در ژن دیگر یا مهار کننده، با افزایش در یکی منجر به کاهش در دیگر.
Year: 2011
Publisher : IEEE
By : Elena Dubrova and Maxim Teslenko
File Information: English Language/ 7 Page / size: 406 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1390
ناشر : IEEE
کاری از : النا Dubrova و ماکسیم Teslenko
اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 406
نقد و بررسیها
هنوز بررسیای ثبت نشده است.