초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 유전자 발현데이터로부터 유전자 조절네트워크를 추론하는 유전자 알고리즘을 제안한다. 근래에 유전자 알고리즘을 이용하여 유전자 조절네트워크를 추론하려는 시도가 있었으나 그리 성공적이지 못하였다. 우리는 본 논문에서 유전자 조절네트워크를 보다 효율적으로 추론할 수 있게 하기 위하여 새로운 유전자 인코딩 기법을 개발하여 적용하였다. 선형 유전자 조절네트워크로 모델링 된 인공 유전자 조절네트워크를 사용하여 실험한 결과 대부분의 경우에 있어서 주어진 인공 유전자 조절네트워크와 유사한 네트워크를 추론하였으며 완전히 동일한 유전자네트워크를 추론하기도 하였다. 향후 실제 유전자 발현 데이터를 이용하여 추론해 보는 것이 필요하다.

본 논문에서는 유전자 발현데이터로부터 유전자 조절네트워크를 추론하는 유전자 알고리즘을 제안한다. 근래에 유전자 알고리즘을 이용하여 유전자 조절네트워크를 추론하려는 시도가 있었으나 그리 성공적이지 못하였다. 우리는 본 논문에서 유전자 조절네트워크를 보다 효율적으로 추론할 수 있게 하기 위하여 새로운 유전자 인코딩 기법을 개발하여 적용하였다. 선형 유전자 조절네트워크로 모델링 된 인공 유전자 조절네트워크를 사용하여 실험한 결과 대부분의 경우에 있어서 주어진 인공 유전자 조절네트워크와 유사한 네트워크를 추론하였으며 완전히 동일한 유전자네트워크를 추론하기도 하였다. 향후 실제 유전자 발현 데이터를 이용하여 추론해 보는 것이 필요하다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 연구에서는 유전자 조절네트워크의 특성을 반영한 인코딩 방법을 사용하여 유전자 조절 네트워크를 추론하는 방법을 제안한다. 본논문에서 사용한 인코딩 방법은 인공유전체 (Artificial Genome) [기를 응용한 인코딩 방법을 사용한 것으로서 이렇게 하면 실제 유전자네트워크와 같이 유전자 간의 관계가 0 인 개체로 많이 진화되게 되고 유전자 간의 상호영향 정도가 급격하게 변하지 않는 등의 장점이있다.

제안 방법

• 분자생물학 및 공학기술의 결합으로 마이크로어레이(Microarray) 실험기법이 등장함에 따라 수천수만의 유전자를 동시다발적으로 실험하여 대규모 유전자발현 데이터(Gene Expression Data)를 얻을 수 있게 되었다 [1]. 이에 따라 유전자발현데이터로부터 유전자 상호 간의 작용메커니즘을 밝히는 작업의 필요성이 대두되었다.
• 우리는 본 논문에서 제안한 방법의 효용성을 실험하기 위하여 선형 유전자 조절네트워크로모델링된 인공 유전자 조절네트워크를 이용하여 실험하였다. 즉 인공의 선형 유전자 조절네트워크로 인공 유전자 발현데이터를 만든 다음이것을 이용하여 유전자 알고리즘으로 유전자네트워크를 추론하였다.
• 실험하였다. 즉 인공의 선형 유전자 조절네트워크로 인공 유전자 발현데이터를 만든 다음이것을 이용하여 유전자 알고리즘으로 유전자네트워크를 추론하였다. 실험결과 대부분의 경우에 주어진 인공 유전자 조절네트워크와 유사한 것을 찾았으며 똑같은 것을 찾는 경우도 많이 있었다.
• 반대로 돌연변이 확률이 높으면 유전자 알고리즘이 개발 (exploitation)을 하지 못하고 탐험(exploration) 만을 반복하여 전역해(global optima)에 접근하지 못 할 수가 있다. 이러한 점 때문에 본 연구에서는 돌연변이 확률을 유동적으로 조절하였다. 각 개체의 적합도 값은 개체에서 W matrix를 구한 후 상미분방정식을 풀어 유전자발현데이터를 생성하고 주어진 인공유전체발현데이터와의 유사도로 측정한다.

이론/모형

• 본 논문에서 제안하는 인코딩 방법은 인공유전체(Artificial Genome)[기를 웅용한 방법으로 그림 2와 같다.
• 유사도는 수식 2에서처럼 TSSE(Total Sum Square Error)를기준으로 작은 값일수록 유사도가 높은 것으로 판단하고 높은 적합도 값을 주었다. 유전자알고리즘의 부모 세대에서 가장 높은 적합도의 개체는 자식 세대에서도 보존되도록 Elitism 을 적용하였다.
• 본논문에서 사용한 인코딩 방법은 인공유전체 (Artificial Genome) [기를 응용한 인코딩 방법을 사용한 것으로서 이렇게 하면 실제 유전자네트워크와 같이 유전자 간의 관계가 0 인 개체로 많이 진화되게 되고 유전자 간의 상호영향 정도가 급격하게 변하지 않는 등의 장점이있다.

성능/효과

• 즉 인공의 선형 유전자 조절네트워크로 인공 유전자 발현데이터를 만든 다음이것을 이용하여 유전자 알고리즘으로 유전자네트워크를 추론하였다. 실험결과 대부분의 경우에 주어진 인공 유전자 조절네트워크와 유사한 것을 찾았으며 똑같은 것을 찾는 경우도 많이 있었다. 이런 결과로 볼 때 본 논문에서 제안한 방법이 효과적임을 알 수 있었다.
• 실험결과 대부분의 경우에 주어진 인공 유전자 조절네트워크와 유사한 것을 찾았으며 똑같은 것을 찾는 경우도 많이 있었다. 이런 결과로 볼 때 본 논문에서 제안한 방법이 효과적임을 알 수 있었다. 향후실제 유전자 발현데이터를 이용하여 추론해 보는 연구가 필요하다.
• 각 개체의 적합도 값은 개체에서 W matrix를 구한 후 상미분방정식을 풀어 유전자발현데이터를 생성하고 주어진 인공유전체발현데이터와의 유사도로 측정한다. 유사도는 수식 2에서처럼 TSSE(Total Sum Square Error)를기준으로 작은 값일수록 유사도가 높은 것으로 판단하고 높은 적합도 값을 주었다. 유전자알고리즘의 부모 세대에서 가장 높은 적합도의 개체는 자식 세대에서도 보존되도록 Elitism 을 적용하였다.
• 서로 다른 난수를 이용하여 88번을 실험한 결과 전체 해 공간의 0.001% 의 부분을 검색한 후 주어진 인공유전자조절네트워크와 같은 유전자 발현데이터 양상을 보이는 동일한 유전자조절네트워크를 추론하였다. 돌연변이 확률은 개체 내에서 최대 적합도가 400세대 이상 변동이 없으면 최대 적합도에 변동이 있을 때까지 50세대 간격으로 0.
• 001% 의 부분을 검색한 후 주어진 인공유전자조절네트워크와 같은 유전자 발현데이터 양상을 보이는 동일한 유전자조절네트워크를 추론하였다. 돌연변이 확률은 개체 내에서 최대 적합도가 400세대 이상 변동이 없으면 최대 적합도에 변동이 있을 때까지 50세대 간격으로 0.02씩 돌연변이 확률을 높였다. 돌연변이확률이 0.

후속연구

• 이런 결과로 볼 때 본 논문에서 제안한 방법이 효과적임을 알 수 있었다. 향후실제 유전자 발현데이터를 이용하여 추론해 보는 연구가 필요하다.
• 돌연변이 확률을 고정적으로 적용한 경우보다 돌연변이 확률을 진화연산 중에 변화시킨 경우가 더 짧은 세대 만에 인공유전자조절네트워크와 동일한 유전자조절네트워크를 찾았다. 향후 실제 유전자 발현 데이터를 이용하여 실제 유전자조절네트워크를 추론하는 연구가 필요하다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기