تحلیل و مدل سازی شبکه های تعامل پروتئین–پروتئین با استفاده از الگوریتم های گراف و روش های داده کاوی

در سال های اخیر رشد سریع فناوری های زیستی و تولید داده های مولکولی در مقیاس بزرگ، چالش های جدیدی در زمینه ذخیره سازی، پردازش و تحلیل داده های زیستی ایجاد کرده است. یکی از مهم ترین انواع این داده ها، داده های مربوط به تعاملات پروتئین–پروتئین است که به صورت شبکه های پیچیده قابل نمایش هستند. تحلیل این شبکه ها به دلیل اندازه بزرگ، ساختار پیچیده و وجود روابط غیرخطی میان اجزا، نیازمند استفاده از روش های محاسباتی پیشرفته و الگوریتم های تحلیل گراف است. در علوم کامپیوتر، شبکه های تعامل پروتئین–پروتئین را می توان به صورت گراف هایی شامل مجموعه ای از گره ها و یال ها مدل سازی کرد که در آن گره ها نمایانگر پروتئین ها و یال ها نشان دهنده تعامل میان آن ها هستند. این مدل سازی گرافی امکان استفاده از الگوریتم های تحلیل شبکه، معیارهای مرکزیت، الگوریتم های تشخیص اجتماع و روش های یادگیری ماشین را برای استخراج الگوهای ساختاری از داده های زیستی فراهم می کند. هدف این پژوهش بررسی کاربرد الگوریتم های گراف در مدل سازی و تحلیل محاسباتی شبکه های تعامل پروتئین–پروتئین و ارزیابی نقش آن ها در شناسایی گره های مهم، کشف ساختارهای ماژولار و پیش بینی تعاملات جدید میان پروتئین ها است. این مطالعه به روش توصیفی–تحلیلی و بر اساس بررسی منابع علمی حوزه های داده کاوی زیستی، نظریه گراف و یادگیری ماشین انجام شده است. نتایج بررسی ها نشان می دهد که استفاده از الگوریتم های گراف و روش های تحلیل شبکه می تواند به استخراج دانش از داده های زیستی، شناسایی الگوهای پنهان در شبکه های مولکولی و توسعه مدل های پیش بینی تعاملات پروتئینی کمک کند.

کلیدواژه ها:

الگوریتم های گراف ، تحلیل شبکه ، داده کاوی زیستی ، شبکه های تعامل پروتئین–پروتئین ، یادگیری ماشین ، زیست شناسی محاسباتی