Реконструкция регуляторной сети генов сегментации в эмбрионе дрозофилы по экспериментальным данным - изображениям картин активности генов

• Автор: Козлов, Константин Николаевич
• Шифр специальности: 03.01.09
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Санкт-Петербург
• Количество страниц: 146 с. : ил.

ОГЛАВЛЕНИЕ
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ б
ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
1.1 Обработка и анализ изображений в системной биологии
1.2 Регистрация картин экспрессии генов
1.3 Обратная задача математического моделирования
1.3.1 Поведенческие (имитационные) методы
1.3.2 Генетические алгоритмы
1.3.3 Локальные методы
1.3.4 Комбинированные или гибридные методы
1.4 Детерминация сегментов в раннем эмбриогенезе Б. теЫподавЬег
1.5 Об использовании мутантов для анализа регуляторных взаимодействий
1.6 Математические модели детерминации сегментов и процесса
сегментации
1.6.1 Модель Тьюринга
1.6.2 Модели Меинхардта
1.6.3 Логический анализ
1.6.4 Метод генных сетей
Заключение к обзору литературы
ГЛАВА 2. РАЗРАБОТКА МЕТОДОВ
2.1 РгоЭСаск - ПО для обработки изображений
2.1.1 Онтология методов обработки изображений
2.1.2 Сетевая версия ПО
2.1.3 Интеграция

2.2 В11Е11еА - ПО для регистрации одномерных картин экспрессии генов
2.3 Методы решения обратной задачи математического моделирования
2.3.1 Формальная постановка задачи
2.3.2 Алгебраическое преобразование
2.3.3 Тригонометрическое преобразование
2.3.4 Метод разностной эволюции. Общие сведения
2.3.5 Скрещивание с учетом значения функционала
2.3.6 Скрещивание для поддержания разнообразия индивидов
2.3.7 Полностью параллельная разностная эволюция
2.4 Метод оптимального наискорейшего спуска
2.4.1 Необходимые условия минимума первого порядка
2.4.2 Численный алгоритм
2.4.3 Изменение наклона трансформирующей функции
2.4.4 Условие выхода
Выводы к главе
ГЛАВА 3. АПРОБАЦИЯ РАЗРАБОТАННЫХ МЕТОДОВ И ПРОГРАММ
3.1 Применение пакета «Рго81аск» для идентификации и морфометрических изменений различных биологических объектов
3.1.1 Обработка трехмерных изображений (стеков) биологических объектов
3.1.2 Создание сценария в пакете «Рго31аск» для извлечения ко-
личественных данных об экспрессии генов сегментации у дрозофилы из конфокальных изображений картин экспрессии генов
3.2 Применение пакета В11Е11сА для регистрации картин экспрессии генов сегментации

3.2.1 Создание нового шаблона КТ
3.2.2 Автоматическая регистрация
3.2.3 Интерактивная регистрация
3.2.4 Индуцированная регистрация
3.3 Тестирование разработанных методов решения обратной задачи математического моделирования
3.3.1 Тестовая задача
3.3.2 Количественные показатели эффективности распараллеливания
3.4 О сходимости метода ППРЭ для задачи реконструкции генной сети по тестовым данным
3.4.1 Оценки числа вычислений функционала в последовательном алгоритме
3.4.2 Определение параллельной эффективности и ускорения для
ППРЭ
3.4.3 Настройка периода миграции
3.4.4 Сравнение с методом эволюционной стратегии
3.5 О применении метода оптимального наискорейшего спуска
3.5.1 Исследование сходимости МОНС с произвольной начальной
точки
3.5.2 Исследование сходимости МОНС с начальной точки, полученной
Выводы к главе
ГЛАВА 4. МОДЕЛИРОВАНИЕ ДИНАМИКИ ЭКСПРЕССИИ ГЕНОВ СЕГМЕНТАЦИИ У МУТАНТОВ ПО ГЕНУ Кг
4.1 Экспериментальные данные и модификация модели
4.1.1 Экспрессия генов gap в мутантах
4.1.2 Модификация модели генных сетей
4.2 Результаты
Например, Катаре [141, 170] использовал метод роя частиц [73, 74] вместе с методом Левенберга-Маркардта. но такой подход оказался чувствителен к топологии обмена информацией между векторами. Родригес-Фернандес [99] применил комбинацию методов SRES и Гаусса-Ньютона со стабилизацией доверительными областями для трехшаговой проблемы сигнальных путей. Фомеконг-Нанафак [41] показал, что в задаче поиска параметров генной сети в эмбрионе дрозофилы комбинация методов SRES и Нильдера-Мида в 50 раз быстрее численного отжига. Аналогичный результат получен в работе Аширалиева [8] для комбинации методов SRES и Левенберга-Маркардта. В работах [98, 99] предложен эволюционный алгоритм с локальным поиском после шага скрещивания. Высокая вычислительная сложность такого подхода вызвала разработку метода SSKm (Scatter-search-Kriging) [144], в котором число запусков локального поиска сокращается за счет предсказания вероятности того, что новый вектор уменьшит целевую функцию на основе предположения о Гауссовом распределении V.
Отдельный класс комбинированных методов оптимизации составляют т.н. «методы туннелирования», которые основываются на изменении вида целевой функции. Целью создания этого класса методов было улучшение свойства стохастических методов преодолевать локальные минимумы на поверхности потенциальной энергии (Potential Energy Surface - PES). Идея заключается в том, чтобы позволить частице преодолеть «энергетический барьер» - высокие значения потенциальной энергии между двумя локальными минимумами, то есть «пройти по туннелю». Это достигается с помощью преобразования целевой функции. В работе [96[ рассмотрена целевая функция