使用基因调节神经网络进行湿神经形计算的非线性分类器.

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 系统生物学 系统生物学

背景情况:

• 细胞基因调节网络 (GRNs) 与人工神经网络 (ANNs) 具有结构和操作的相似之处.
• 这种相似之处为开发湿神经形态计算系统提供了潜力.
• 基因可以被概念化为基因感知子,处理转录因子输入以产生蛋白质输出.

研究的目的:

• 建立分子机器学习的非线性分类器,利用基因表达的固有西格形非线性.
• 分析基因调节神经网络 (GRNNs) 的时间稳定性,以获得可靠的计算性能.
• 为各种应用开发和评估基于GRNN的分类器.

主要方法:

• 将基因调节网络 (GRNs) 建模为具有加权输入和非线性激活函数的基因调节神经网络 (GRNNs).
• 采用基于自值的稳定性分析来确定最大稳定度水平并最大限度地减少错误.
• 使用Lyapunov稳定定理来分析动态GRNNs的时间稳定性.
• 开发了三种非线性分类器,使用两种通用多层子GRNN和一种来自大肠杆菌的子GRNN.

主要成果:

• 成功建立基于GRNN的非线性分类器,证明了分子机器学习的可行性.
• 稳定性分析证实了最大度水平,这对于最小化GRNN的波动和计算错误至关重要.
• 开发的分类器显示出适应不同应用要求的适应性,突出了GRNN方法的多功能性.

结论:

• GRN-to-GRNN映射为开发生物启发的计算系统提供了一个强大的框架.
• 稳定性分析对于确保基于GRNN的分类器可靠运行至关重要.
• 开发的GRNN分类器表明了各种分子机器学习应用的潜力.