ترغب بنشر مسار تعليمي؟ اضغط هنا

تقييم خوارزميات الأمثلة متعددة الأهداف في حل مسألة ارتباط الجزيئات

Multi-Objective Optimization Algorithms to Solve Molecular Docking

1632   0   47   0 ( 0 )
 تاريخ النشر 2016
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تعتبر مسألة إيجاد الحل الأمثل لمسألة الارتباط الجزيئي بين المركبات من المسائل الصعبة. عند حل المسألة باستخدام الخوارزميات التي تتبع النهج الوحيد الهدف تكون النتائج متغيرة و معقدة. لا يمكن العثور إلاّ على عدد قليل من الأوراق البحثية التي تتناول هذه المسألة عن طريق اتباع النهج متعدد الأهداف، كما لم يتم بذل الجهد الكافي لإجراء مقارنات تجريبية في سبيل توضيح أفضل أداء لأفضل خوارزمية. يكمن هدف هذا البحث في استخدام مجموعة من خوارزميات الأمثلة متعددة الأهداف و المقارنة بينها لحل مسألة ارتباط الجزيئات بين المركبات.


ملخص البحث
تعتبر مسألة إيجاد الحل الأمثل لمسألة الارتباط الجزيئي بين المركبات من المسائل الصعبة. عند حل المسألة باستخدام الخوارزميات التي تتبع النهج الوحيد الهدف تكون النتائج متغيرة ومعقدة. يهدف هذا البحث إلى استخدام مجموعة من خوارزميات الأمثلة متعددة الأهداف والمقارنة بينها لحل مسألة ارتباط الجزيئات بين المركبات. تركز الطريقة المتبعة على الاستفادة المثلى من الطاقات بين الجزيئات Einter وطاقات الجزيئات الداخلية Eintra على اعتبارهما هدفين من الأهداف الرئيسية المراد تقليل قيمتهما. الخوارزميات المستخدمة هي: الخوارزمية الجينية (NSGA) والخوارزمية الجينية القياسية (ssNSGA) وخوارزمية ذكاء السرب (PSO) وخوارزمية التطور التفاضلية المعممة (GDE3) والخوارزمية التطورية متعددة الأهداف (MOEA / D) وخوارزمية SMS-EMOA. تم تقييم أداء الخوارزميات باستخدام مؤشرات الجودة التي تهدف إلى قياس التقارب (Convergence) وتوزيع الحلول (Diversity). بالإضافة إلى إجراء مقارنة مع خوارزمية أخرى تتبع النهج الوحيد الهدف ليتم استخدامها كمرجع (الخوارزمية الجينية Lamarckian-LGA التي تقدمها أداة AutoDock). أظهرت النتائج أن خوارزمية SMPSO تقدم أفضل أداء، بينما أظهرت خوارزمية GDE3 و MOEA/D أداءً جيداً من ناحية التقارب وتوزيع الحلول. يمكن استخدام النهج متعدد الأهداف للحصول على مجموعة واسعة من الحلول التي يمكن اختيارها وفقاً لوزن الطاقات Einter و Eintra، بدلاً من الحصول على حل واحد فقط من AutoDock.
قراءة نقدية
دراسة نقدية: على الرغم من أن البحث يقدم مساهمة قيمة في مجال استخدام الخوارزميات متعددة الأهداف لحل مسألة ارتباط الجزيئات، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، كان من الممكن توسيع نطاق الدراسة لتشمل مجموعة أكبر من المركبات الجزيئية لتحسين دقة النتائج. ثانياً، لم يتم التطرق بشكل كافٍ إلى تأثير المتغيرات البيئية المختلفة على أداء الخوارزميات. ثالثاً، كان من الممكن تقديم تحليل أكثر تفصيلاً حول كيفية تحسين أداء الخوارزميات المستخدمة. أخيراً، كان من الممكن تقديم توصيات أكثر وضوحاً حول كيفية تطبيق النتائج في الأبحاث المستقبلية.
أسئلة حول البحث
  1. ما هي الأهداف الرئيسية التي يهدف البحث إلى تحقيقها؟

    يهدف البحث إلى مقارنة أداء ست خوارزميات متعددة الأهداف عند استخدامها في حل مسألة ارتباط الجزيئات، مع التركيز على تقليل الطاقات بين الجزيئات Einter وطاقات الجزيئات الداخلية Eintra.

  2. ما هي الخوارزميات المستخدمة في هذا البحث؟

    الخوارزميات المستخدمة هي: الخوارزمية الجينية (NSGA)، الخوارزمية الجينية القياسية (ssNSGA)، خوارزمية ذكاء السرب (PSO)، خوارزمية التطور التفاضلية المعممة (GDE3)، الخوارزمية التطورية متعددة الأهداف (MOEA/D)، وخوارزمية SMS-EMOA.

  3. ما هي مؤشرات الجودة المستخدمة لتقييم أداء الخوارزميات؟

    تم استخدام مؤشرين لتقييم أداء الخوارزميات: مؤشر Hyper-Volume لقياس التقارب وتوزيع الحلول، ومؤشر Unary additive epsilon لقياس التقارب فقط.

  4. ما هي الخوارزمية التي أظهرت أفضل أداء وفقاً للنتائج؟

    أظهرت النتائج أن خوارزمية SMPSO تقدم أفضل أداء وفقاً لمؤشرات الجودة المستخدمة.


المراجع المستخدمة
Goodsell- D.S., Morris- G.M, 1998- Automated docking using a Lamarckian genetic algorithm and an empirical binding free energy function- pp.1639–166
Roy- R, Oduguwa- A., Tiwari- A, 2006- Multi-objective optimisation of the protein-ligand docking problem in drug discovery- Proceedings of the 8th Annual Conference on Genetic and Evolutionary Computation- Seattle- USA- pp. 1793–1800
Grosdidier- A., Zoete- V.- Michielin- O, 2007- EADock: Docking of small molecules into protein active sites with a multi-objective evolutionary optimization- pp. 1010–1025
قيم البحث

اقرأ أيضاً

تستخدم الخوارزميات التطورية المتعددة الأهداف على نطاق واسع من المجالات في سبيل حل مسائل الأمثلة, و التي تتطلب وجود عدة أهداف متعارضة يجب أخذها بعين الاعتبار معاً. تمتلك خوارزميات الأمثلة التطورية الأساسية عدة عيوب, مثل الافتقار إلى معيار جيد لإنها ء العمل, و عدم وجود براهين تثبت التقارب الجهد. غالباً ما تستخدم خوارزمية أمثلة تطورية هجينة متعددة الأهداف للتغلب على هذه العيوب.
ندرس في هذا البحث إمكانية المساهمة في حل مسألة توجيه المركبة مع نوافذ زمنية متعددة الأهداف ، و هي واحدة من مشاكل الأمثلية من النوع NP-hard, حيث أخذت كثيرًا من اهتمام الباحثين في الوقت الحاضر بسبب تطبيقاتها المتعددة ذات الطابع اليومي . و سنقدم أيضا ً خوارزمية تدعى بالهجينة تعتمد على مبدأ التكامل بين خوارزمية مستعمرة النمل متعددة الأهداف و خوارزمية البحث المحظور ، و المستندة على أمثلية باريتو و مقارنة الحل الناتج عن هذا النهج الهجين المطور و المستند على أمثلية باريتو مع نتائج تجارب قياسية لاختبار فعالية هذه الخوارزمية المقدمة.
يعد إيجاد الحلول الأمثلية لمسألة البائع المتجول أمرًا مطلوباً في كثير من الأبحاث و التطبيقات العملية على اعتبار وجود مجموعة من الأهداف في وقت واحد. نقدم في هذا البحث خوارزمية هجينة لحل مسألة البائع من خلال دمج خوارزمية مستعمرة النمل مع الخوارزمية الجينية.
يعتمد النمذجة وفهم الحوارات في محادثة على تحديد نية المستخدم من النص المحدد. كشف نية غير معروفة أو جديدة مهمة حاسمة، كما هو الحال في سيناريو واقعي قد يتغير نية المستخدم بشكل متكرر مع مرور الوقت وتحويله حتى إلى نية غير مرفدة. هذه المهمة المتمثلة في فص ل عينات النية المجهولة من النوايا المعروفة واحدة صعبة حيث يمكن أن يتراوح نية المستخدم غير المعروفة من النوايا المشابهة للحالة المحددة مسبقا لشيء مختلف تماما. غالبا ما ينظر البحث المسبق في اكتشاف النية كهمة تصنيف حيث يمكن أن ينتمي نية غير معروفة إلى مجموعة محددة مسبقا من فئات النية المعروفة. في هذه الورقة، نتعامل مع مشكلة الكشف عن نية غير معروفة تماما دون أي تلميحات مسبقة حول نوع الطبقات التي تنتمي إلى نوايا غير معروفة. نقترح طريقة فعالة لما بعد المعالجة باستخدام التحسين متعدد الأهداف لضبط مصنف نوايا NEWRET NEWRET NEWELTION موجود وجعله قادر على اكتشاف حطاء غير معروف. نحن نقوم بإجراء تجارب باستخدام مصنفات النوايا الحالية الحالية واستخدام طريقةنا على رأسها لكشف نية غير معروفة. تظهر تجاربنا عبر المجالات المختلفة ومجموعات البيانات في العالم الحقيقي أن طريقتنا تعطي تحسينات كبيرة مقارنة بالطرق الحديثة للكشف عن النية غير معروفة.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا