عنوان پایان‌نامه
بررسی و حل مسئله بازسازی هاپلوتیپ ها با استفاده از الگوریتم های تکاملی...
- رشته تحصیلی
- علوم کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 3943;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43474
- تاریخ دفاع
- ۱۲ مهر ۱۳۸۷
- دانشجو
- محمدحسین معین زاده
- استاد راهنما
- مرتضی محمدنوری
- چکیده
- چکیده با گسترش علم کامپیوتر، زمینه‌های پژوهشی آن نیز بسیار گسترش یافته و به علوم دیگر نیز راه‌یافته است. یکی از این زمینه‌ها علم ژنتیک است. رشته‌ی بیوانفورماتیک در واقع حاصل ورود این علم به حوزه کامپیوتر است. در این پایان نامه مسئله بازسازی هاپلوتیپ ها مورد بررسی قرار گرفته است. تعریف این مسئله به منظور حل مشکل دقت کم نتایج و هزینه بالا در نمونه برداری آزمایشگاهی از هاپلوتیپ‌ها می باشد. با ورود این مسئله به دنیای کامپیوتر هزینه‌ی حل این مسئله بسیار پایین می آید. برای مسئله بازسازی هاپلوتیپ مدل‌های مختلفی ارائه شده است. پس از معرفی انواع مدل های محاسباتی در زمینه بازسازی هاپلوتیپ‌ها، دو مدل MEC و MEC/GI انتخاب و به منظور حل مورد توجه قرار گرفتند. راه حل های مختلف خوشه‌بندی، بهینه سازی و مکاشفه ای موجود بررسی شده است. بعلاوه چهارچوبی برای اجرای الگوریتم های اعمال شده در مدل MEC بر روی مدل MEC/GI نیز معرفی شد. همچنین تکنیک های مختلف همجوشی داده ها برای حل هر دو مدل در سه ساختار سری، موازی و ترکیبی ارائه شد. در پایان نتایج تمام روش های ذکر شده که بر روی چهار پایگاه داده ACE، DALY، SIM0 و SIM50 اعمال شده بود، بررسی و مقایسه شده است. کلمه های کلیدی: مسئله بازسازی هاپلوتیپ ها, الگوریتم های تکاملی, هوش جمعی، تکنیک های خوشه بندی و همجوشی داده ها
- Abstract
- Abstract Research areas in computer science are developing fast and sometimes get involved in other disciplines. Bioinformatics is an interdisciplinary area in which biological problems are discussed from a computational point of view. In this thesis, we have studied Haplotype Reconstruction which has the problem of low accuracy and high cost while carried out by experimental methods. By the aid of computational approaches, we can overcome these shortages. Various models have been represented for Haplotype Reconstruction problem. In this thesis, we will particularly consider MEC (Minimum Error Correction) and MEC/GI (Minimum Error Correction with genotype information) models and discuss some techniques such as clustering, softcomputing methods and heuristic algorithms to solve the problem. We have also designed a framework to employ all MEC model solutions for MEC/GI model. Moreover, we have taken advantage of information fusion techniques in both models in three structures (Serial, Parallel and Hybrid). Finally, the results of all the mentioned methods applied on related datasets (ACE, DALY, SIM0 and SIM50) are presented and compared.
