Использование искусственных нейронных сетей для решения частных задач генетики и селекции

• Автор: Руанет, Виктор Вадимович
• Шифр специальности: 03.00.15
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 108 с. : ил

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР 1ИТЕРАТУРЫ

1.1. Проблемы математической обработки экспериментальных данных

1.2. Нейросетевыс технологии

1.3. Искусственные нейронные сети строение, принципы работы

и обучение.

1.3.1. Многослойный перссптро 1

1.3.2. Кластерный анализ

1.3.3. Самоорганизующиеся карты признаков сеть ii сеги Кохонена

1.3.4. Преимущества искусственных нейронных сетей

1.4. Сравнение нейросетевых и статистических методов обработки информации при решении сложных многомерных задач
1.5. Использование нейросетевых технологий в биолог ии
1.6.1 енетические маркеры
1.6.1. Полиморфные белки
1.6.2. ДНКмаркеры
1.6.3. Хромосомные маркеры
1.7. Заключение
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ
2.1. Методы
2.1.1. Денсихометриро ванне электрофореграмм и стандартизация результатов
2.1.2.редставление обучающих данных
2.1.3.Подготовка баз данных
2.1.4. Обучение искусственных нейронных сетей
2.1.5. Компьютерный анализ
2.2. Материалы
ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУ ЖДЕ1ШЯ
3.1. Алгоритм обработки фотографий элекгрофореграмм и формирование базы данных
3.2. Обучение искусственных нейронных сетей
3.3. Определение глиадин кодирующих локусов по эектрофоретическим спектрам глиадинов
3.4. Определение сортовой принадлежности образцов твердой пшеницы по
электрофоретическим спектрам глиадинов
3.5. Консилиум
3.6. Использование Сетей Кохонена цтя обработки результатов ii ii
3.7. Установления видовой принадлежности i на основании анализа геномов с помощью искусственных нейронных сетей
3.8. Установления видовой принадлежности i с помощью различного типа маркеров с использованием искусственных нейронных сетей
3.9. Использование сети Кохонена для формализации и интерпретации данных цитогенетических исследований
ВЫВОДЫ.
СПИСОК I ЦИТИРОВАННОЙ ЛИТЕРАТУРЫ
БЛАГОДАРНОСТИ
В первую очередь хочу выразить мою глубокую признательность и
благодарность моему научному руководителю, заведующему лабораторией генетики растений Института общей генетики им. Н.И. Вавилова РАН, доктору биологических наук, профессору Виталию Анатольевичу Пухальскому за его неоценимую помощь на протяжении всего времени выполнения работы.
Особые слова благодарности я хочу высказать с.н.с, к.б.н. С.Я. Дадашеву, который открыл для меня искусственные нейронные сети и без чьей помощи я бы не смог сделать эту работу.
Я благодарен с.н.с., к.б.н. А.М. Кудрявцеву, с.н.с. лаборатории генетики растений Института общей генетики им. Н.И. Вавилова РАН, д.б.н. Е.Д. Бадаевой, заведующей лабораторией хромосомных основ эволюции Института молекулярной биологии им. В.А. Энгельгардта РАН. и к.б.н. Е.З. Кочиевой, доценту кафедры генетики МСХА им. К.А. Тимирязева за материал для исследования.
Выполнение работы было связано с деятельностью лаборатории генетики растений Института общей генетики им. Н.И. Вавилова РАН, всем сотрудникам которой так же приношу искреннюю благодарность.
СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ
ii i полиморфизм случайно амплифицированных фрагментов ДНК
I I i полиморфизм межмикросателлитных последовательностей
хромосомы спутничные хромосомы.
ii Мар самоорганизующиеся карты признаков сеть Кохонена.
i i i ii v метод невзвешенного попарного арифметического среднего
ГХ гетерохроматический ДММ денситоморфомегрия ИНС искусственная нейронная сеть МА микроскопанализатор МСП многослойный перссптрон НСТ нейросетевые технологии ЭС экспертная система
ВВЕДЕНИЕ


Бадаевой, заведующей лабораторией хромосомных основ эволюции Института молекулярной биологии им. В.А. Энгельгардта РАН. Е.З. Кочиевой, доценту кафедры генетики МСХА им. К.А. Тимирязева за материал для исследования. Выполнение работы было связано с деятельностью лаборатории генетики растений Института общей генетики им. Н.И. Вавилова РАН, всем сотрудникам которой так же приношу искреннюю благодарность. Мар самоорганизующиеся карты признаков сеть Кохонена. Прогресс науки непосредственно связан с развитием подходов к обработке и расшифровке информации, полученной в экспериментах. Значение информационного обеспечения как фундаментальных, так и прикладных аспектов научных исследований особенно возросло в последнее время. Можно сказать, что именно оно становится критическим фактором развития во многих областях знаний. В биологии накоплен огромный эмпирический материал по изучению живых существ на самых различных уровнях от молекулярного до популяционного, но работа с ним имеет свои особенности. Большинство данных в этой области знаний имеют описательный характер и выражаются с помощью формализмов, оценка которых нередко субъективна. Результаты, даже если они приведены в виде чисел, трудно упорядочить и классифицировать, т. Россиев, 6 Хильман, . Следует отметить, что в биологии на уровне индивидуальных организмов случайность в первую очередь обусловлена сущностью самого биологического объекта, что является, повидимому, наиболее важной особенностью информации, получаемой в ходе биологических исследований. Многофакторное воздействие на биологический объект ведет к тому, что при формализации информации от объекта мы будем иметь дело с некоторой функцией поверхностью отклика, которая может иметь весьма сложный профиль, далекий от линейной зависимости. В связи с этим, статистические методы обработки информации не всегда дают желаемый эффект Шноль, СогЬап а1. Истратов и др. Перов, Соколов, . Например, значительные сложности возникают при попытке формализации данных цитогенетических исследований. В качестве примера можно привести попытки использования методов количественной денситоморфометрии ДММ изображений клеток в поле зрения светового микроскопа. Этот подход является одним из основных методов исследования цитологических препаратов. Однако почти летний опыт показал, что реализовать на практике потенциальные диагностические возможности ДММ весьма непросто , i i i, ii, i . Использование полуавтоматических с участием исследователя способов определения границ и классификация цитологических объектов по типам, как правило, весьма трудоемкий процесс, а задача полной автоматизации тестов ДММ, основанных на существующих методах обработки изображения, до настоящего времени не решена. Тем не менее, благодаря бурному развитию в области вычислительных средств и техники телевизионного взятия изображений, перспектива автоматизации ДММ и создания на этой базе автоматических микроскопованализаторов МА становится реальной Автандилов Погорелов и др. Вопросы автоматизации исследований, связанных с обработкой образов фотографии, рентгеновские пленки и т. Поморцев, Лялина, . Развитие компьютерных технологий и их применение к анализу визуальной информации привело к появлению самостоятельного научного направления I i, включающего в себя обработку и анализ изображений Белостоцкая, Леонтьев, . Можно привести много примеров использования современных компьютерных методов обработки информации Уоссермен, Рыбина, Фролов, и другие и, в частности, применение искусственных нейронных сетей ИНС для автоматизации процесса идентификации хромосом человека . Однако, в литературе отсутствуют данные по использованию этого подхода для анализа хромосом растений, электрофоретических спектров запасных белков и т. В связи с этим разработка и внедрение в практику генетических исследований растений новых методов анализа информации, экспертных систем и баз данных, является на сегодняшний день важной задачей. Цель настоящей работы заключалась в исследовании возможности применения технологии искусственных нейронных сетей для решения частных задач генетики и селекции растений.