Geri Dön

Genetik ağların topolojik özellikleri

Topological properties of genetic networks

  1. Tez No: 166393
  2. Yazar: YASEMİN ŞENGÜN
  3. Danışmanlar: PROF. DR. AYŞE ERZAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2005
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Fizik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Gen etkileşimlerini modelleyebilecek, ratsgele oluşturulan, içerik esaslı ağ yapısının derece dağılımları daha once [D. Bakan, A. Erzan, Eur. Phys. J. B, 38, 253-260 (2004)] incelenmişti. Simülasyon ve analitik [M. Mungan, A. Kabakcioglu, D. Balcan and A. Erzan,“Analytical Solution of a Stochastic Model of Gene Regulation,”q- bio.MN/0406049] çözümler sonunda, r tane sembolden oluşan ve ortalama kelime uzunlukları ~ p'1 ile verilen içeriksel ağların derece dağılımları için, küçük ve büyük derecelerde, kuvvet yasalarına uygunluk ve sırasıyla y-l=y2+H2 ile y2 =(l/2)[(lnr + ln(l-/?)]/[lnr-ln(l-/?)] üstelleri bulunmuştu. Nokta mutasyonlar altında değişmeyen bu sonuçlar, genetik düzenleme ağlarının literatürde gözlenen üstellerine benzemektedir. Biz çalışmamızda, evrimde önemli bir yer tutan gen duplikasyonu olgusunu bu modele uyguladığımızda ölçeklenme sonuçlarının değişip değişmeyeceği, değişiyorlarsa, nasıl değişeceklerini araştırdık. Bulunan ölçeklenme davranışı, kalitatif olarak, önceden bulunan sonuçlara benzemekte, mutasyon kurallarımızı değiştirmediğimiz takdirde nümerik sonuçlar da ancak çok küçük değişiklikler göstermektedir. Ne var ki, ağ yapısında uzun erişimli korelasyonlara neden olabilen türden nokta mutasyon kuralları seçildiğinde, üstellerin değerleri değişmektedir. Bu durumda, tamamen gelişigüzel kodlar için hesaplanmış olan analitik ifadelere, etkin p değerlerinin koyulması ile bulunan ölçeklenme üstelleri de, simülasyonlarımızdan farklılaşan sonuçlar vermektedirler. İçerik temelli bu modellerin verdiği ağ yapıları, Wagner' in gen duplikasyonu ve diverjansı ile genetik etkileşim ağlarını ilişkilendiren şematik modelinden de, sürekli ve ayrık iki değişik ölçeklenme davranışının gözlenmesi açısından, farklılık göstermektedir.

Özet (Çeviri)

A content-based model for a network of gene interactions was defined and degree distribution of this network was studied by Balcan and Erzan [D. Bakan, A. Erzan, Eur. Phys. J. B, 38, 253-260 (2004)]. Simulations and analytical calculations for an alphabet of r lettters and a random code of average word length ~ p“1 yielded [M. Mungan, A. Kabakcioglu, D. Balcan and A. Erzan, ”Analytical Solution of a Stochastic Model of Gene Regulation,“ q-bio.MN/0406049] power law behaviour with the exponents Y\ =y2+l/2 and/2 =(l/2)[(lnr + ln(l-p)]/[lnr-ln(l-/?)] for small and large degrees, respectively. The model was invariant under point mutations and had exponents similar to those found for genetic networks studied in the literature. In this study we investigate how incorporating the process of ”gene duplication" affects the scaling behaviour of the degree distribution. We find scaling behavior qualitatively similar to the original model; if the same mutation rules are employed as in the original model, duplication gives rise to only very small changes in the scaling exponents. However, for mutation rules which seem to give rise to correlations between different nodes, the values of the exponents change appreciably. In this case, even when the sequence length distributions converge to exponential functions, substituting the effective p values in the above expressions calculated for purely random sequences does not yield the exponents we obtain from simulations. The degree distributions obtained from both models differ from the network model introduced by Wagner, based on gene duplication and divergence, in that they exhibit both continuous and discrete regimes.

Benzer Tezler

  1. Tez No

    39286

    Yapay sinir ağlarında öğrenme algoritmalarının analizi

    Analysis of learning algorithms in neural networks

    SEVİNÇ BAKLAVACI

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    DOÇ.DR. LEYLA GÖREN

  2. Tez No

    216809

    Properties of content-based networks

    İçerik-temelli ağların özellikleri

    DUYGU BALCAN

    Doktora

    İngilizce

    İngilizce

    2007

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Ana Bilim Dalı

    PROF.DR. AYŞE ERZAN

  3. Tez No

    104220

    Predictive data mining with neural networks and genetic algorithms

    Yapay sinir ağları ve genetik algoritmalar ile öngörü amaçlı veri madenciliği

    ALİ ALKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    YRD. DOÇ. DR. ŞAKİR KOCABAŞ

  4. Tez No

    55171

    Genetik algoritma ile haberleşme şebekelerinin topolojik optimizasyonu

    Topological optimization of communication networks using genetic algorithms

    FULYA ALTIPARMAK

    Doktora

    Türkçe

    Türkçe

    1996

    Endüstri ve Endüstri MühendisliğiGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ.DR. BERNA DENGİZ

  5. Tez No

    216714

    Karınca kolonisi algoritması ile bilgisayar ağlarının topolojik en iyilenmesi

    Topological optimization of computer networks using ant colony algorithm

    YAVUZ SELİM ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Mühendislik BilimleriBaşkent Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    PROF. DR. BERNA DENGİZ

Geri Dön