Signal and Data Processing

fa مدل‌‌سازی شبکه‌‌های تنظیم ژنی: مدل‌های کلاسیک، اختلال بهینه برای شناسایی شبکه Modeling gene regulatory networks: Classical models, optimal perturbation for identification of network مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <div style="text-align: justify;">ارتقای عمق و گستره درک ما از دانش زیست&rlm;شناسی ملکولی، از یک سو امکان بهره&rlm;‌برداری از آن را در توسعه فناوریهایی مانند رمزگشایی فراهم ساخته است و از سوی دیگر، مداخله در سیستم ژنتیکی را امکان&rlm;‌پذیر می&rlm;سازد که نویدبخش آینده&rlm;ای روشن برای علوم زیستی و پزشکی است. دست‌‌یابی به این هدف با مداخله در شبکه تنظیم ژنی (GRN) امکان&rlm;پذیر میشود؛ زیرا GRN کنترل‌کننده فعالیت&rlm;های زیستی در سطح ملکولی است. در این مسیر، شناسایی GRN، شامل شناسایی مرز، ساختار و گره‌های شبکه اهمیت به&rlm;سزایی دارد. در این مقاله به دو جنبه ساختار و گره در مدل&rlm;سازی و شناسایی GRN در شبکه&rlm;های بزرگ (با بیش از پنجاه گره) پرداخته می&rlm;شود. نخست محدودیت&rlm;‌های کاربست مدل‌های احتمالاتی برای گره (ژن) مورد بررسی قرار می&rlm;‌گیرد. همچنین محدودیت&rlm;‌های کاربست مدل چند-درختی برای ساختار GRN مورد بررسی قرار می&rlm;‌گیرد. در بخش اصلی مقاله، مسأله شناسایی GRN با مدل بولی مورد بحث قرار گرفته و نشان داده می&rlm;‌شود که بر‌خلاف تصور معمول، آزمایش بهینه از دید شناسایی ساختار GRN، آزمایش تک‌اختلال است.</div> <div style="text-align: justify;">Deep understanding of molecular biology has allowed emergence of new technologies like DNA decryption.  On the other hand, advancements of molecular biology have made manipulation of genetic systems simpler than ever; this promises extraordinary progress in biological, medical and biotechnological applications.  This is not an unrealistic goal since genes which are regulated by gene regulatory networks (GRNs) are the core governors of life processes at the molecular level. In fact, manipulation of GRNs would be the ultimate strategy for optimal purposeful control of cell’s life.  GRNs are in charge of regulating the amounts of all the inter-cellular as well as intra-cellular molecular species produced all the time in all living organisms.  Manipulation of a GRN requires comprehensive knowledge about nodes and interconnections.  This paper deals with both aspects in networks having more than fifty nodes.  In the first part of the paper, restrictions of probabilistic models in modeling node behavior are discussed, i.e.: 1) unfeasibility of reliably predicting the next state of GRN based on its current state, 2) impossibility of modelling logical relations among genes, and 3) scarcity of biological data needed for model identification.  These findings which are supported by arguments from probability theory suggest that probabilistic models should not be used for analysis and prediction of node behavior in GRNs.  Next part of the paper focuses on models of GRN structure.  It is shown that the use of multi-tree models for structure for GRN poses severe limitations on network behavior, i.e. 1) increase in signal entropy while passing through the network, 2) decrease in signal bandwidth while passing through the network, and 3) lack of feedback as a key element for oscillatory and/or autonomous behavior (a requirement for any biological network).  To demonstrate that, these restrictions are consequences of model selection, we use information theoretic arguments.  At the last and the most important part of the paper we look into the gene perturbation experiments from a network-theoretic perspective to show that multi-perturbation experiments are not as informative as assumed so far.  A generally accepted belief among researches states that multi-perturbation experiments are more informative than single-perturbation ones, i.e., multiple simultaneously applied perturbations provide more information than a single perturbation.  It is shown that single-perturbation experiments are optimal for identification of network structure, provided the ultimate goal is to discover correct subnet structures.  </div> شبکه تنظیم ژنی, مدل احتمالاتیِ ژن, مدل چند‌درختیِ ساختار, مدل بولیِ ژن, آزمایش بهینه اختلال gene regulatory network (GRN), probabilistic model of gene, multi-tree model of GRN structure, Boolean model of gene, optimal perturbation experiment 112 101 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-592-1&slc_lang=fa&sid=1 Reza Bayat رضا بیات Bayatr@semnan.ac.ir 10031947532846009103 10031947532846009103 Yes Yazd University دانشگاه یزد Mehdi Sadeghi مهدی صادقی Sadeghi@nigeb.ac.ir 10031947532846009104 10031947532846009104 No National Institute of Genetic Engineering and Biotechnology پژوهشکده زیست‌فناوری پزشکی، پژوهشگاه ملی مهندسی ژنتیک و زیست‌فناوری Mohammad Reza Aref محمد رضا عارف Aref@sharif.ac.ir 10031947532846009105 10031947532846009105 No Sharif University of Technology دانشگاه صنعتی شریف و دانشگاه یزد