ترجمه فارسی مقاله نمونه گیری ژنتیکی مبتنی بر گرادیان برای پیش بینی دقیق نوسانات بیولوژیکی

چکیده

Biological oscillations are periodic changes in various signaling processes crucial for the proper functioning of living organisms. These oscillations are modeled by ordinary differential equations, with coefficient variations leading to diverse periodic behaviors, typically measured by oscillatory frequencies. This paper explores sampling techniques for neural networks to model the relationship between system coefficients and oscillatory frequency. However, the scarcity of oscillations in the vast coefficient space results in many samples exhibiting non-periodic behaviors, and small coefficient changes near oscillation boundaries can significantly alter oscillatory properties. This leads to non-oscillatory bias and boundary sensitivity, making accurate predictions difficult. While existing importance and uncertainty sampling approaches partially mitigate these challenges, they either fail to resolve the sensitivity problem or result in redundant sampling. To address these limitations, we propose the Hierarchical Gradient-based Genetic Sampling (HGGS) framework, which improves the accuracy of neural network predictions for biological oscillations. The first layer, Gradient-based Filtering, extracts sensitive oscillation boundaries and removes redundant non-oscillatory samples, creating a balanced coarse dataset. The second layer, Multigrid Genetic Sampling, utilizes residual information to refine these boundaries and explore new high-residual regions, increasing data diversity for model training. Experimental results demonstrate that HGGS outperforms seven comparative sampling methods across four biological systems, highlighting its effectiveness in enhancing sampling and prediction accuracy.

چکیده به فارسی (ترجمه ماشینی)

نوسانات بیولوژیکی تغییرات دوره ای در فرآیندهای مختلف سیگنالینگ برای عملکرد مناسب موجودات زنده است.این نوسانات توسط معادلات دیفرانسیل معمولی مدل سازی می شود و تغییرات ضریب منجر به رفتارهای دوره ای متنوع می شود ، که به طور معمول توسط فرکانس های نوسان اندازه گیری می شود.در این مقاله به بررسی تکنیک های نمونه گیری برای شبکه های عصبی برای مدل سازی رابطه بین ضرایب سیستم و فرکانس نوسان می پردازیم.با این حال ، کمبود نوسانات در فضای ضریب وسیع منجر به بسیاری از نمونه های دارای رفتارهای غیر دوره ای می شود و تغییرات ضریب کوچک در نزدیکی مرزهای نوسان می تواند به طور قابل توجهی خاصیت نوسان را تغییر دهد.این منجر به تعصب غیر انسداد و حساسیت مرزی می شود و پیش بینی های دقیق را دشوار می کند.در حالی که رویکردهای مربوط به اهمیت و عدم اطمینان موجود تا حدی این چالش ها را کاهش می دهد ، آنها یا در حل مشکل حساسیت ناکام هستند یا منجر به نمونه گیری زائد می شوند.برای پرداختن به این محدودیت ها ، ما چارچوب نمونه گیری ژنتیکی مبتنی بر شیب سلسله مراتبی (HGGS) را پیشنهاد می کنیم ، که باعث بهبود صحت پیش بینی های شبکه عصبی برای نوسانات بیولوژیکی می شود.لایه اول ، فیلتر مبتنی بر گرادیان ، مرزهای نوسان حساس را استخراج می کند و نمونه های غیر انسداد را از بین می برد و یک مجموعه داده درشت متعادل ایجاد می کند.لایه دوم ، نمونه گیری ژنتیکی چندگوش ، از اطلاعات باقیمانده برای اصلاح این مرزها و کشف مناطق جدید بازنشسته استفاده می کند و تنوع داده ها را برای آموزش مدل افزایش می دهد.نتایج تجربی نشان می دهد که HGG ها از هفت روش نمونه گیری مقایسه ای در چهار سیستم بیولوژیکی بهتر عمل می کنند ، و اثربخشی آن را در تقویت نمونه گیری و دقت پیش بینی برجسته می کند.