دانلود ترجمه تشخیص جاذب شبکه بولی سنکرون توسط الگوریتم مبتنی بر SAT – مجله IEEE

بخشی از ترجمه:

چکیده ترجمه:
در این مقاله، مسئله ی یافتن جاذب ها در شبکه های بولی سنکرون مورد بررسی قرار می گیرد. 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 می توان بر روی شبکه های بزرگتر بکار برد، ولی چنین الگوریتم هایی کامل نیستند. در این مقاله، ما الگوریتمی را ارائه می دهیم 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 ١۵٠ هزار شبکه ی بولی که به تصادفی در اندازه هایی بین ١٠٠ و ٧٠٠٠ 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.

١.مقدمه
یک شبکه ی تنظیمی ژن(GNR) را می توان مجموعه ای از بخش های DNA در یک سلول دانست، که ژن نام دارد دانست، که با همدیگر تعامل دارند[١]. هر ژن، شامل اطلاعاتی بوده که مشخص می کند که ژن چه کاری انجام می دهد 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 می کند. این قسمت از RNA ، می تواند ترکیب پروتئین ها را هدایت کند. RNA یا مولکول های پروتئینی حاصله از پروسه ی رونویسی، به عنوان فراورده های ژن شناخته می شود.
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[٢]. 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 می شود.

بخشی از مقاله انگلیسی:

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.

A gene regulatory network (GRN) is a collection of DNA segments in a cell, called genes, which interact with each other [1]. 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 [2]. 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.