Geenisäätelyn mallinnus tilanneriippuvilla Bayes-verkoilla
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology |
Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
2006
Department
Major/Subject
Informaatiotekniikka
Mcode
T-61
Degree programme
Language
fi
Pages
87
Series
Abstract
Solut tulevat toimeen useissa erilaisissa olosuhteissa, koska niiden toimintaa ohjaavien geenien ilmentymisaktiivisuus voi muuttua ympäristöstä tulevien signaalien tai toisten geenien tuottamien proteiinien vaikutuksen perusteella. Geenien väliset säätelysuhteet määräävät solun käyttäytymisen. Säätelyverkoston koko ja monimutkaisuus tekevät sen selvittämisestä haastavan ongelman. Todennäköisyyslaskentaan perustuvat Bayes-verkot ovat eräs yleisesti käytetty esitystapa geenien säätelysuhteiden matemaattiseen mallintamiseen. Niille on olemassa opetusalgoritmeja, jotka etsivät mitattuihin ilmentymisprofiileihin parhaiten sopivan verkon. Opitun verkon rakenne voidaan tulkita geenien säätelyverkoksi. Yleensä Bayes-verkkojen opetusmenetelmät olettavat, että kaikki havainnot on tehty samoissa olosuhteissa. Jos halutaan tutkia miten säätelyvuorovaikutukset muuttuvat olosuhteiden välillä, eräs tapa olisi opettaa erilliset verkot kuvaamaan eri olosuhteiden havaintoja ja verrata opittuja verkkoja keskenään. Silloin kunkin verkon opetukseen olisi kuitenkin käytettävissä vain osa opetusnäytteistä, mikä saattaisi johtaa ylisovittumiseen. Tämä työ esittelee verkkorakenteen ja opetusalgoritmin, joita voidaan käyttää säätelyerojen etsimiseen. Näytteen mittausolosuhde huomioidaan itsenäisenä luokkamuuttujana. Uutta työssä on tapa, jolla luokkaa käytetään määräämään solmujen jakaumien riippuvuudet. Se helpottaa opitun verkon tulkintaa. Luokkamuuttujan ansiosta kaikki riippuvuudet voidaan esittää yhdessä verkossa, jonka opetukseen voidaan käyttää kaikkia havaintoja. Esiteltävä opetusalgoritmi löytää automaattisesti ne verkon osat, joissa on eroja luokkien välillä. Työssä osoitetaan keinotekoisia opetusnäytteitä käyttäen, että ehdotettu opetusalgoritmi tuottaa paremmin oikeaa vastaavia verkkoja kuin oman verkon opettaminen erikseen joka olosuhteelle. Menetelmää sovelletaan stressaavien olosuhteiden aiheuttamien säätelyerojen etsimiseen hiivassa.Description
Supervisor
Kaski, SamuelThesis advisor
Nikkilä, JanneKeywords
Bayesian networks, Bayes-verkko, structure learning, rakennehaku, gene expression, geenien ilmentyminen