Človeštvo vse bolj kopiči molekularne podatke o celicah, pri tem pa nastaja vedno večji izziv, kako jih vključiti v enoten konceptualni in računalniški okvir, ki bi omogočil nova odkritja. V članku predlagamo nov, na podatkih temelječ koncept integrirane celice, iCell. Prav tako uvajamo računski prototip take celice, ki združuje tri vrste omičnih podatkov, ki so tkivno specifični in se nanašajo na omrežja molekulskih povezav. Predstavimo konstrukcijo iCell na osnovi tkiv štirih vrst raka in ustreznih zdravih tkiv za potrebe kontrolnih skupin in identificiramo gene, ki so pri raku najbolj povezani z drugimi geni. Mnogi od njih imajo neznane funkcije v celici in jih v nobenem posamičnem molekularnem omrežju ni mogoče opredeliti kot statistično izstopajoče pri rakavih obolenjih. Njihovo vlogo pri raku biološko potrdimo s t.i. knockdown poskusi, ki jim sledijo še testi sposobnosti preživetja celic. Dodatno podporo našim ugotovitvam najdemo tudi v Kaplan-Meierjeve krivuljah preživetja več tisoč bolnikov. Na koncu analizo razširimo na iskanje pomembnih genov, ki so skupni več rakavim obolenjem. Naša metodologija je univerzalna in omogoča integrativne primerjave različnih omičnih podatkovnih virov preko celic in tkiv.
COBISS.SI-ID: 16484379
Bolezni vključujejo kompleksne modifikacije celičnih strojev. Profil genske ekspresije prizadetih celic vsebuje značilne vzorce, povezane z boleznijo. Zato je iz teh profilov mogoče pridobiti novo biološko znanje o bolezni, ki izboljšuje našo sposobnost diagnosticiranja in ocenjevanja tveganj bolezni. To znanje lahko uporabijo za ponovno uporabo zdravil ali pa zdravniki za oceno bolnikovega stanja in tveganja sočasne obolevnosti. Tu upoštevamo diferencialno izražanje genov, pridobljeno s tehnologijo mikromrež za bolnike z diagnozo različnih bolezni. Na podlagi teh podatkov in celične večplastne organizacije želimo razkriti združitve bolezni, bolezni, genov in poti bolezni. Predlagamo nevronsko mrežo s strukturo, ki temelji na večrazsežni organizaciji beljakovin v celici v biološke poti. Dokazujemo, da je ta model sposoben pravilno napovedati diagnozo za večino bolnikov. Z analizo izurjenega modela napovedujemo bolezni, bolezni in genske povezave ter napovedi potrjujemo s primerjavami z znanimi interakcijami in iskanjem literature ter predlagamo domnevne razlage napovedi.
COBISS.SI-ID: 57930243
Problem k-prirejanja (ali problem k-ujemanja) na k-delnih grafih je NP-težek problem za k[večji kot ali enak]3. V tem prispevku predstavljamo pet novih hevristik. Dva algoritma, imenovana Bm in Cm, nastaneta kot naravne izboljšave algoritma Am iz (He et al., v: Graph Algorithms And Applications 2,World Scientific, 2004). Ostali trije algoritmi, Dm, Em in Fm, vključujejo naključnost. Algoritem Dm lahko štejemo za požrešno različico Bm, medtem ko sta Em in Fm različici lokalnega iskanja, specializirani za problem k-ujemanja. Algoritmi so implementirani v Python-u in so testirani na treh naborih podatkov. Na razpoložljivih naborih podatkov so vsi algoritmi očitno boljši od algoritma Am glede kakovosti rešitve. Na prvem naboru podatkov, za katerega poznamo optimalne vrednostmi, se povprečje relativnih napak giblje od 1,47% nad optimalno rešitvijo (algoritem Am) do 0,08% nad optimalno rešitvijo (algoritem Em). Pri drugem naboru podatkov, z akaterega prav tako poznamo optimalne vrednostmi, se povprečna relativna napaka giblje od 4,41% nad optimalno vrednostjo (algoritem Am) do 0,45% (algoritem Fm). Za izračun boljših rešitev potrebujemo daljše računske čase, zato novi algoritmi predstavljajo dober kompromis med kakovostjo rešitev in računskim časom.
COBISS.SI-ID: 38799875
Poglavje v knjigi predstavlja nadgradnjo konferenčnega članka. V opisanem memetskem algoritmu se za lociranje dobrih delov iskalnega prostora uporablja populacijska tehnika globalnega iskanja, medtem ko se za optimalno lociranje uporablja lokalno iskanje. Evolucijski operatorji so bili razviti in uporabljeni v memetskem algoritmu za reševanje problema večkriterijske matrične trifaktorizacije. S primerjavo determinističnega naivnega pristopa z dvema različicama memetskega algoritma z različno stopnjo dedovanja je bilo dokazano, da evolucijski operaterji bistveno ne izboljšajo zmogljivosti.
COBISS.SI-ID: 55493379
Motivacija: Molekularne interakcije so bile uspešno modelirane in analizirane kot mreže, kjer vozlišča predstavljajo molekule, povezave pa interakcije med njimi. Ta omrežja so pokazala, da imajo molekule s podobno strukturo lokalne mreže tudi podobne biološke funkcije. Najobčutljivejši ukrepi mrežne strukture temeljijo na grafkih. Vendar pa so metode, ki temeljijo na grafkih, doslej veljale le za neutežena omrežja, medtem ko imajo resnična molekularna omrežja morda utežene povezava, ki lahko predstavljajo verjetnost interakcije, ki se pojavi v celici. Te informacije se običajno zavržejo pri uporabi pragov za ustvarjanje neuteženih omrežij, kar lahko privede do izgube informacij. Rezultati: Uvedemo verjetnostne grafke kot orodje za analizo lokalnih vzorcev ožičenja verjetnostnih omrežij. Za oceno njihove učinkovitosti v primerjavi z neuteženimi grapki ustvarimo sintetična omrežja, ki temeljijo na različnih dobro znanih modelih naključnih omrežij in robnih porazdelitvah verjetnosti, ter dokažemo, da verjetnostni grafki pri razlikovanju mrežnih struktur presegajo neutežene. Dokažemo, da metode verjetnostnih grafkov zaradi svoje verjetnostne narave močneje zajemajo biološke informacije v teh podatkih.
COBISS.SI-ID: 57826051