Batch mode reinforcement learning for controlling gene regulatory networks and multi-model gene expression data enrichment framework
Gen ağlarını kontrol etmek için yığın biçiminde pekiştirmeli öğrenme ve çoklu-model gen ifade verisi zenginleştirme yöntemi
- Tez No: 338459
- Danışmanlar: PROF. DR. FARUK POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Science and Technology, Computer Engineering and Computer Science and Control, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gen düzenleme sistemlerinin modellemesi ve kontrolü son on yılda çok dikkat çekmiştir. Bu tezde, (i) gen düzenleme sistemlerini kontrol etme ve (ii) yüksek kaliteli yapay gen ifade verisi üretme problemleri çözülmeye çalışılmıştır. Gen düzenleme sistemlerini kontrol etmek için, Yığın Modunda Pekiştirmeli Öğrenme (Batch RL) tekniklerine dayanan, üç kontrol çözümü önerilmiştir. Tam gözlemlenebilir gen düzenleme sistemleri için bir, kısmi gözlemlenebilir gen düzenleme sistemleri için iki kontrol çözümü önerilmiştir. Tam gözlemlenebilir düzenleme sistemlerinin kontrolü için, hiçbir berimsel yöntem kullanmadan, direkt olarak gen ifade verisinden yaklaşık kontrol politikaları üreten bir yöntem önerilmiştir. Sonuçlar gösteriyor ki, mevcut çalışmalar birkaç on genlik sistemler için çözüm üretemezken, bizim önerdiğimiz yöntem, sadece birkaç saniye içinde, kayda değer bir performans kaybı olmadan, binlerce genlik düzenleme sistemleri için yaklaşık kontrol politikaları üretebilmektedir. Kısmi gözlemlenebilir düzenleme sistemlerinin kontrolü için, ilk olarak, kısmi gözlemlenebilir ortamlar için yeni bir Batch RL taslağı, Yığın Modunda TD(?), önerilmiştir. Temel fikir, gen düzenleme sisteminin gerçek iç dinamiklerini hesaplamadan, gözlemleri direkt olarak aksiyonlara olasılıksal olarak eşleyen yaklaşık kontrol politikaları üretmektir. Sonuçlar gösteriyor ki, mevcut çalışmalar birkaç on genlik sistemler için çözüm üretemezken, Yığın Modunda TD(?), saniyeler içinde, binlerce genlik düzenleme sistemleri için başarılı olasılıksal kontrol politikaları üretebilmektedir. Bildiğimiz kadarı ile, Yığın Modunda TD(?), kısıtlı deneyim bilgisi ile Markov özelliği göstermeyen karar problemlerini çözmek için önerilen ilk taslaktır. Kısmi gözlemlenebilir düzenleme sistemlerinin kontrolü için, ikinci olarak, direkt gen ifade verisinden Kısmi Gözlemlenebilir Markov Karar Süreci (POMDP) kuran bir yöntem önerilmiştir. Önerdiğimiz yeni POMDP kurma yöntemi, yaklaşık olarak gözlem-aksiyon değerleri hesaplamakta, ve nihai POMDP'yi kurmak için, bu yaklaşık değerlere gizli durum belirleme yöntemlerini uygulamaktadır. Sonuçlar gösteriyor ki, önerdiğimiz POMDP kurma yöntemi, mevcut çalışmalardan hem zaman gerekliliği hem de çözüm kalitesi olarak daha iyi sonuçlar üretmektedir. Yüksek kaliteli yapay gen ifade verisi üretmek için, yeni bir çoklu-model gen ifade verisi zenginleştirme taslağı önerilmiştir. Dört gen ifade verisi üretme modeli tek bir taslakta birleştirilmiş, ve hepsinden aynı anda faydalanılmaya çalışılmıştır. Her üretici modelden veri alınıp, bu veriler birleştirilmiş ve en iyileri çoklu-amaçlı seçme mekanizması ile üretilmiştir. Sonuçlar, önerilen çoklu-model veri üretme sisteminin ürettiği yüksek kaliteli yapay gen ifade verilerinden çıkarsanan düzenleme ağlarının, orijinal gen ifade verilerinden çıkarsanan düzenleme ağlarından daha iyi olduğunu göstermektedir.
Özet (Çeviri)
Over the last decade, modeling and controlling gene regulation has received much attention. In this thesis, we have attempted to solve (i) controlling gene regulation systems and (ii) generating high quality artificial gene expression data problems. For controlling gene regulation systems, we have proposed three control solutions based on Batch Mode Reinforcement Learning (Batch RL) techniques. We have proposed one control solution for fully, and two control solutions for partially observable gene regulation systems. For controlling fully observable gene regulation systems, we have proposed a method producing approximate control policies directly from gene expression data without making use of any computational model. Results show that our proposed method is able to produce approximate control policies for gene regulation systems of several thousands of genes just in seconds without loosing significant performance; whereas existing studies get stuck even for several tens of genes. For controlling partially observable gene regulation systems, firstly, we have proposed a novel Batch RL framework for partially observable environments, Batch Mode TD(?). Its idea is to produce approximate stochastic control policies mapping observations directly to actions probabilistically without estimating actual internal states of the regulation system. Results show that Batch Mode TD(?) is able to produce successful stochastic policies for regulation systems of several thousands of genes in seconds; whereas existing studies cannot produce control solution for regulation systems of several tens of genes. To our best knowledge, Batch Mode TD(?) is the first framework for solving non-Markovian decision tasks with limited number of experience tuples. For controlling partially observable gene regulation systems, secondly, we have proposed a method to construct a Partially Observable Markov Decision Process (POMDP) directly from gene expression data. Our novel POMDP construction method calculates approximate observation-action values for each possible observation, and applies hidden state identification techniques to those approximate values for building the ultimate POMDP. Results show that our constructed POMDPs perform better than existing solutions in terms of both time requirements and solution quality. For generating high quality artificial gene expression data, we have proposed a novel multi-model gene expression data enrichment framework. We have combined four gene expression data generation models into one unified framework, and tried to benefit all of them concurrently. We have sampled from each generative models separately, pooled the generated samples, and output the best ones based on a multi-objective selection mechanism. Results show that our proposed multi-model gene expression data generation framework is able to produce high quality artificial samples from which inferred regulatory networks are better than the regulatory networks inferred from original datasets.
Benzer Tezler
- Plastik ürün tasarım ilkeleri
Principles of plastic product design
M.ALPER ASLAN
Yüksek Lisans
Türkçe
1997
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. SELMA AKKURT
- Elektrokaplama metoduyla ni-B/Al2O3–TiO2 nanokompozit kaplamaların değişken oranlı seramik partikül kullanılarak kaplanması ve özelliklerinin incelenmesi
Electrodeposition of Ni-B/Al2O3–TiO2 nanocomposite coatings with variable ceramic particle content and investigation of their properties
AHMET AYDEMİR
Yüksek Lisans
Türkçe
2025
Otomotiv MühendisliğiÇukurova ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ATAKAN AKAR
- Deep collapse mode capacitive micromachined ultrasonic transducers
Derin çökme modunda kapasitif mikroişlenmiş ultrasonik çeviriciler
SELİM OLÇUM
Doktora
İngilizce
2010
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH ATALAR
PROF. DR. HAYRETTİN KÖYMEN
- Biological treatment of saline wastewaters by using halophilic organisms and fed batch operation
Tuz içeren atık sularının tuz tolere eden organizmalarla ve kesikli beslemeli sistem kullanılarak arıtımı
ALİ RIZA DİNÇER
- Overview of planning and scheduling of batch process operations
Başlık çevirisi yok
SELEN GİRİTLİGİL
Yüksek Lisans
İngilizce
1997
Kimya MühendisliğiEge ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. BENO KURYEL