مقایسه کارایی الگوریتم های مبتنی بر هوش مصنوعی و یادگیری ماشین برای یافتن الگو در DNA

بیوانفورماتیک، حوزه نوظهوری در تحقیقات علوم زیستی است که به مطالعه توالی های DNA، RNA و پروتئین ها می پردازد. با رشد روزافزون حجم داده های بیولوژیکی، نیاز به رویکردهای کارآمدتر برای ذخیره سازی، بازیابی، تجزیه و تحلیل، تطبیق، تراز، جستجو و پردازش این توالی ها بیش از پیش احساس می شود. در این راستا، الگوریتم های تطبیق الگو در زیست شناسی محاسباتی نقشی کلیدی در جستجو و تحلیل الگوهای DNA ایفا می کنند؛ هدف این مطالعه، ارائه طبقه بندی و ارزیابی عملکرد الگوریتم های تطبیق الگو در حوزه بیوانفورماتیک است. ما با دنبال کردن یک استراتژی جستجو، به دنبال تنظیم یک فرآیند تحقیقاتی و یافتن مدلی ریاضی برای تخمین زمان اجرای جستجو بدون نیاز به پویش کل توالی DNA هستیم؛ در این پژوهش، چهار الگوریتم تطبیق الگو به نام های FLPM، PAPM، EFLPM و EPAPM ارزیابی و مقایسه می شوند. این الگوریتم ها با هدف افزایش سرعت جستجوی الگو در دنباله های DNAطراحی شده اند. این الگوریتم ها با استفاده از پردازش سطح واژه به جای پردازش سطح کاراکتر که در مطالعات پیشین مورد استفاده قرار می گرفت، عملکرد را به طور قابل توجهی ارتقا می بخشند. نتایج آزمایش ها نشان می دهد که روش های پیشنهادی برای الگوهای کوتاه و بلند در مقایسه با سایر الگوریتم ها عملکرد بهتری ارائه می کنند. به طوری که در مقایسه انجام شده الگوریتم EFLPM ، ۵۴ درصد سریع تر از روش FLPM و الگوریتم EPAPM، ۳۹ درصد سریع تر از روش PAPM عمل می کند.

کلیدواژه ها:

بیوانفورماتیک ، الگوریتم تطبیق الگو ، دنباله های DNA ، پردازش سطح واژه ، جستجوی سریع تر الگو