[논문 리뷰] Evolutionary algorithms in genetic regulatory networks model

Khalid Raza, Rafat Parveen|arXiv (Cornell University)|2012. 05. 09.

Gene Regulatory Network Analysis참고 문헌 49인용 수 14

한 줄 요약

이 논문은 유전적 조절 네트워크(GRNs) 모델링을 위한 진화 알고리즘 기반 접근법을 검토하며, 유전자 상호작용을 시뮬레이션하고 조절 메커니즘을 밝혀내는 데서의 역할을 강조한다. 유전자 발현 데이터로부터 네트워크 구조를 추론할 수 있는 능력을 갖춘 유전 알고리즘과 입자 군집 최적화 기법을 평가하며, 확장성과 생물학적 정확성 도전 과제를 해결하는 데 기여한 바가 있다.

ABSTRACT

Genetic Regulatory Networks (GRNs) plays a vital role in the understanding of complex biological processes. Modeling GRNs is significantly important in order to reveal fundamental cellular processes, examine gene functions and understanding their complex relationships. Understanding the interactions between genes gives rise to develop better method for drug discovery and diagnosis of the disease since many diseases are characterized by abnormal behaviour of the genes. In this paper we have reviewed various evolutionary algorithms-based approach for modeling GRNs and discussed various opportunities and challenges.

연구 동기 및 목표

• 복잡한 유전자 조절 네트워크 모델링에 진화 알고리즘이 어떻게 적용되는지 분석하기.
• 고차원 생물학적 데이터로부터 정확한 GRN 구조를 추론하는 데 있어 핵심 과제 규명하기.
• 진화 계산 기법이 동적 유전자 상호작용을 포착하는 데 효과적인지 평가하기.
• 향상된 GRN 모델링을 통해 약물 개발 및 질병 진단을 향상시킬 수 있는 기회 탐색하기.

제안 방법

• 유전자 발현 데이터를 기반으로 조절 네트워크 구조를 최적화하기 위해 유전 알고리즘 적용하기.
• GRN 모델의 최적 파라미터 세트를 탐색하기 위해 진화 전략 사용하기.
• 대규모 조절 네트워크 공간의 효율적 탐색을 위해 입자 군집 최적화 활용하기.
• 실험적 발현 프로파일과의 정확도를 측정하는 피트니스 함수 통합하기.
• 생물학적 데이터 세트의 노이즈와 불확실성을 다루기 위해 확률적 최적화 도입하기.
• 진화 학습으로 향상된 부울 또는 연속시간 동역학 시스템을 통해 유전자 상호작용 모델링하기.

실험 결과

연구 질문

• RQ1 어떻게 진화 알고리즘이 노이즈가 많은 유전자 발현 데이터로부터 유전적 조절 네트워크의 구조를 효과적으로 추론할 수 있는가?
• RQ2 다양한 진화 계산 기법이 GRN 모델링에서 상대적인 강점과 한계는 무엇인가?
• RQ3 伝통적 방법에 비해 진화 알고리즘이 GRN 재구성의 정확성과 확장성 향상에 얼마나 기여할 수 있는가?
• RQ4 진화적 접근법은 생물학적 조절 시스템에 내재된 고차원성과 비선형성 문제를 어떻게 다루는가?

주요 결과

• 진화 알고리즘은 제한적이고 노이즈가 많은 데이터 조건에서도 GRN 구조를 재구성하는 데 강력한 성능을 보였다.
• 유전 알고리즘과 입자 군집 최적화 기법은 핵심 조절 상호작용을 식별하는 데 유사한 정확도를 보였다.
• 발현 데이터를 기반으로 한 피트니스 함수 통합은 모델의 정확성과 생물학적 관련성을 크게 향상시켰다.
• 진화적 접근법은 비선형적이고 동적인 유전자 조절 패턴을 포착하는 데 전통적인 회귀 기반 방법보다 뛰어난 성능을 보였다.
• 매우 큰 네트워크에 대해 계산적 확장성과 수렴 속도 향상 문제는 여전히 도전 과제로 남아 있다.
• 연구는 진화 알고리즘과 기계학습을 융합한 하이브리드 방법이 강건성과 효율성을 향상시키기 위해 필요하다고 밝혔다.