Kontekstno specifična inferenca Boolovih opisov gensko regulatornih omrežijPušnik, Žiga (Avtor) Moškon, Miha (Mentor) gensko regulatorna omrežjaBoolova logikaBoolovi opisiinferenca logičnih modelovvečkriterijska optimizacijagenetski algoritmiNSGA-IIdynGENIE3triadni cenzusstrukturna pravilnostdinamična pravilnostbiološko relevantni modeliSAILoRBoolova omrežja predstavljajo učinkovit in kompakten mehanizem predstavitve interakcij in dinamike gensko regulatornih omrežij, vendar pa je izpeljava takšnih Boolovih opisov še vedno težek problem. Število eksperimentov meritev genske ekspresije in časovnih točk je tipično veliko manjše od števila opazovanih genov. Hkrati pa se pri izpeljavi gensko regulatornih omrežij iz podatkov genske ekspresije soočamo z manjkajočimi vrednostmi in podatki, ki pogosto vsebujejo tudi določene napake. Poleg tega s postopkom binarizacije časovnih vrst podatkov ekspresije genov vnašamo dodatno mero napak in nekonsistentnosti, pri čemer tvegamo izgubo izpeljave kompleksnejše dinamike. Izpeljava Boolovih opisov gensko regulatornih omrežij izključno iz binariziranih časovnih vrst genske ekspresije pogosto vodi do kompleksnih modelov, ki se pretirano prilegajo vhodnim podatkom (angl. overfitting). Da bi pridobili relevantnejše Boolove opise gensko regulatornih omrežij, bi lahko pri izpeljavi slednjih upoštevali različne vhodne podatke in predhodno znanje o pričakovanih topoloških lastnostih izpeljanega omrežja ali že znanih interakcijah. V pričujoči disertaciji zato razvijemo in opišemo inferenčno metodo SAILoR (angl. Structure-Aware Inference of Logic Rules). Predlagana metoda inkorporira zvezne in binarne podatke časovnih vrst genske ekspresije v kombinaciji s predhodnim znanjem, ki ga vpeljemo na osnovi poznavanja referenčnih omrežij za izpeljavo čim bolj natančnih in relevantnih Boolovih opisov gensko regulatornih omrežij opazovanega sistema. SAILoR iz referenčnih omrežij avtomatično izlušči določene topološke lastnosti. Referenčna omrežja so zato lahko bolj splošna in podajajo samo osnovno topološko strukturo, ali pa so bolj eksaktna in vsebujejo specifične interakcije. Metoda SAILoR tako navigira med dvema glavnima ciljema. To sta topološka podobnost z referenčnimi omrežji in ujemanje s podatki genske ekspresije. Z vključitvijo večkriterijskega genetskega algoritma NSGA-II se naša metoda poslužuje principa "modrosti množice" (angl. wisdom of the crowd), kjer hkrati izpeljujemo več omrežij in na koncu izberemo najprimernejšo. Naši rezultati nakazujejo, da je metoda SAILoR zmožna izpeljave biološko relevantnih Boolovih opisov tako iz strukturnega, kot tudi iz dinamičnega vidika. Z obsežnimi simulacijami in primerjavami pokažemo, da naša metoda izboljša pravilnost strukture relacij izpeljanih modelov glede na osnovno metodo dynGENIE3, pri čemer ohranja dinamično pravilnost. Hkrati našo metodo primerjamo z ostalimi pristopi za izpeljavo logičnih modelov kot so Best-Fit Extension, REVEAL, MIBNI, GABNI, ATEN in LogBTF. V delu pokažemo, da v primerjavi z ostalimi metodami, naša metoda izboljša strukturno pravilnost izpeljanih modelov, pri čemer takšni modeli ohranjajo dinamično točnost. Uporabo metode SAILoR dodatno demonstriramo na kontekstno specifičnem problemu gensko regulatornih podomrežij samičk vinske mušice D. melanogaster pred in po parjenju.20252025-10-08 14:40:01Doktorsko delo/naloga174675VisID: 28081COBISS_ID: 253202179sl