Repositorio UFRO · Omeka S

Fuzzy Logic in Genetic Regulatory Network Models

Primer Autor	Munoz, C.
Co-autores	Vargas, F. Bustos, J. Curilem, M. Salvo, S. Miranda, H.
Título	Fuzzy Logic in Genetic Regulatory Network Models
Editorial	CCC PUBL-AGORA UNIV
Revista	INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL
Lenguaje	en
Resumen	Las interacciones entre los genes y las proteínas que sintetizan dan forma a las redes de regulación genética (GRN). Se han propuesto varios modelos para describir estas interacciones, siendo los más utilizados los basados en ecuaciones diferenciales ordinarias (EDO). Se han propuesto algunas aproximaciones mediante ecuaciones diferenciales lineales por partes (EDLP) para simplificar las no linealidades del modelo. Sin embargo, no siempre dan buenos resultados. En este contexto, se ha desarrollado un modelo capaz de representar GRN pequeñas, combinando características de los modelos de EDO y sistemas de inferencia difusa (FIS). El FIS se entrena mediante una red neuronal artificial, que forma un Sistema de Inferencia Difusa Adaptativo Basado en Red (ANFIS). Esta red permite adaptar las funciones de pertenencia y salida del FIS según los datos de entrenamiento, reduciendo así el conocimiento previo necesario para modelar el fenómeno específico. Además, la lógica difusa permite expresar sus reglas mediante etiquetas lingüísticas, lo que también permite incorporar el conocimiento experto de forma amigable. El modelo propuesto se ha utilizado para describir el operón Lac en E. coli y se ha comparado con los modelos ya mencionados. Los errores en los resultados derivados del proceso de entrenamiento de la red ANFIS son comparables a los de los modelos basados en ecuaciones diferenciales ordinarias. Además, el enfoque de lógica difusa ofrece flexibilidad en el modelado y ventajas en la adquisición de conocimiento.#Interactions between genes and the proteins they synthesize shape genetic regulatory networks (GRN). Several models have been proposed to describe these interactions, been the most commonly used those based on ordinary differential equations (ODEs). Some approximations using piecewise linear differential equations (PLDEs), have been proposed to simplify the model non linearities. However they not allways give good results. In this context, it has been developed a model capable of representing small GRN, combining characteristics from the ODE's models and fuzzy inference systems (FIS). The FIS is trained through an artificial neural network, which forms an Adaptive Nertwork-based Fuzzy Inference System (ANFIS). This network allows to adapt the membership and output functions from the FIS according to the training data, thus, reducing the previous knowledge needed to model the specific phenomenon. In addition, Fuzzy Logic allows to express their rules through linguistic labels, which also allows to incorporate expert knowledge in a friendly way. The proposed model has been used to describe the Lac Operon in E. Coli and it has been compared with the models already mentioned. The outcome errors due to the training process of the ANFIS network are comparable with those of the models based on ODEs. Additionally, the fuzzy logic approach provides modeling flexibility and knowledge acquisition advantages.
Tipo de Recurso	Artículo original
Formato Recurso	pdf
Palabras Claves	Genetic Regulatory Network Fuzzy Logic ANFIS Differential Equations Lac Operon EXPRESSION DATA DIAUXIC GROWTH LACTOSE SIMULATION GLUCOSE SYSTEMS OPERON Red de regulación genética lógica difusa ANFIS ecuaciones diferenciales operón lac DATOS DE EXPRESIÓN CRECIMIENTO DIÁXICO LACTOSA SIMULACIÓN GLUCOSA SISTEMAS OPERÓN
Ubicación del archivo	https://univagora.ro/jour/index.php/ijccc/article/view/2453
Categoría OCDE	Automation & Control Systems Computer Science, Information Systems
Materias	Genetic Regulatory Network Fuzzy Logic ANFIS Differential Equations Lac Operon EXPRESSION DATA DIAUXIC GROWTH LACTOSE SIMULATION GLUCOSE SYSTEMS OPERON Red de regulación genética lógica difusa ANFIS ecuaciones diferenciales operón lac DATOS DE EXPRESIÓN CRECIMIENTO DIÁXICO LACTOSA SIMULACIÓN GLUCOSA SISTEMAS OPERÓN
Id de Web of Science	WOS:000270844700005
Título de la cita (Recomendado-único)	Fuzzy Logic in Genetic Regulatory Network Models
Identificador del recurso (Mandatado-único)	Artículo original
Editorial	CCC PUBL-AGORA UNIV
Revista/Libro	INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL
Categoría WOS	Sistemas de automatización y control Informática, Sistemas de información Automation & Control Systems Computer Science, Information Systems
Idioma	en
ISSN	1841-9836
Tipo de ruta	dorada#verde
Access Rights	acceso abierto
Derechos de acceso	acceso abierto
License	CC BY NC 4.0
Condición de la licencia (Recomendado-repetible)	CC BY NC 4.0 CC BY NC 4.0
Versión del recurso (Recomendado-único)	versión publicada
Página de inicio (Recomendado-único)	363
Página final (Recomendado-único)	373
Formato	pdf