برمجة التعبير الجيني

يبدو أن أحد المساهمين الرئيسيين في هذه المقالة له صلة وثيقة بموضوعها. قد يتطلب الأمر تنظيفًا للامتثال لسياسات محتوى ويكيبيديا، وخاصة وجهة النظر المحايدة . يرجى مناقشة الأمر بمزيد من التفصيل على صفحة المناقشة . ( نوفمبر 2012 ) ( تعرف على كيفية ومتى تحذف هذه الرسالة )

في برمجة الكمبيوتر ، برمجة التعبير الجيني (GEP) هي خوارزمية تطورية تنشئ برامج أو نماذج كمبيوترية. هذه البرامج الكمبيوترية عبارة عن هياكل شجرية معقدة تتعلم وتتكيف عن طريق تغيير أحجامها وأشكالها وتكوينها، تمامًا مثل الكائنات الحية. ومثل الكائنات الحية، فإن برامج الكمبيوتر الخاصة بـ GEP مشفرة أيضًا في كروموسومات خطية بسيطة بطول ثابت. وبالتالي، فإن GEP عبارة عن نظام نمط وراثي ونمط ظاهري ، يستفيد من جينوم بسيط للاحتفاظ بالمعلومات الجينية ونقلها ونمط ظاهري معقد لاستكشاف البيئة والتكيف معها.

تستخدم الخوارزميات التطورية مجموعات من الأفراد، وتختار الأفراد وفقًا للياقة البدنية، وتدخل التنوع الجيني باستخدام عامل وراثي واحد أو أكثر . يعود استخدامها في الأنظمة الحسابية الاصطناعية إلى الخمسينيات من القرن الماضي حيث تم استخدامها لحل مشكلات التحسين (على سبيل المثال Box 1957 ^[1] و Friedman 1959 ^[2] ). ولكن مع تقديم استراتيجيات التطور بواسطة Rechenberg في عام 1965 ^[3] اكتسبت الخوارزميات التطورية شعبية. يعد كتاب "مقدمة إلى الخوارزميات الجينية" لميتشل (1996) نصًا جيدًا يقدم نظرة عامة حول الخوارزميات التطورية. ^[4]

تنتمي برمجة التعبير الجيني ^[5] إلى عائلة الخوارزميات التطورية وترتبط ارتباطًا وثيقًا بالخوارزميات الوراثية والبرمجة الوراثية . من الخوارزميات الوراثية ورثت الكروموسومات الخطية ذات الطول الثابت؛ ومن البرمجة الوراثية ورثت أشجار التحليل التعبيرية ذات الأحجام والأشكال المتنوعة.

في برمجة التعبير الجيني تعمل الكروموسومات الخطية كنمط جيني وتعمل أشجار التحليل كنمط ظاهري، مما يؤدي إلى إنشاء نظام نمط جيني/نمط ظاهري . هذا النظام متعدد الجينات ، وبالتالي يشفر أشجار تحليل متعددة في كل كروموسوم. وهذا يعني أن برامج الكمبيوتر التي تم إنشاؤها بواسطة GEP تتكون من أشجار تحليل متعددة. ولأن أشجار التحليل هذه هي نتيجة للتعبير الجيني، فإنها تسمى في GEP أشجار التعبير . استخدم مسعود نيكوي وآخرون أسلوب برمجة التعبير هذا في تحسين ABC لإجراء ABCEP كطريقة تفوقت على الخوارزميات التطورية الأخرى.

يتكون جينوم برمجة التعبير الجيني من سلسلة خطية رمزية أو كروموسوم بطول ثابت مكون من جين واحد أو أكثر بنفس الحجم. هذه الجينات، على الرغم من طولها الثابت، تشفر أشجار التعبير بأحجام وأشكال مختلفة. مثال على كروموسوم به جينان، كل منهما بحجم 9، هو السلسلة (يشير الموضع صفر إلى بداية كل جين):

012345678012345678

L+a-baccd**cLabacd

حيث يمثل "L" دالة اللوغاريتم الطبيعي و"a" و"b" و"c" و"d" تمثل المتغيرات والثوابت المستخدمة في المسألة.

كما هو موضح أعلاه، فإن جينات برمجة التعبير الجيني لها نفس الحجم. ومع ذلك، فإن هذه السلاسل ذات الطول الثابت تشفر أشجار التعبير بأحجام مختلفة. وهذا يعني أن حجم مناطق الترميز يختلف من جين إلى آخر، مما يسمح بحدوث التكيف والتطور بسلاسة.

على سبيل المثال، التعبير الرياضي:

${\displaystyle {\sqrt {(ab)(c+d)}}\,}$

يمكن أيضًا تمثيلها كشجرة تعبير :

حيث يمثل "Q" دالة الجذر التربيعي.

يتكون هذا النوع من شجرة التعبير من التعبير الظاهري لجينات GEP، في حين أن الجينات عبارة عن سلاسل خطية تشفر هذه الهياكل المعقدة. بالنسبة لهذا المثال المحدد، تتوافق السلسلة الخطية مع:

01234567

Q*-+abcd

وهي القراءة المباشرة لشجرة التعبيرات من الأعلى إلى الأسفل ومن اليسار إلى اليمين. وتسمى هذه السلاسل الخطية تعبيرات k (من تدوين كارفا).

الانتقال من تعبيرات k إلى أشجار التعبيرات أمر بسيط للغاية أيضًا. على سبيل المثال، تعبيرات k التالية:

01234567890

Q*b**+baQba

تتكون من طرفين مختلفين (المتغيران "a" و"b")، ودالتين مختلفتين لحجتين ("*" و"+")، ودالة لحجّة واحدة ("Q"). يعطي تعبيرها:

تتوافق تعبيرات k في برمجة التعبير الجيني مع منطقة الجينات التي يتم التعبير عنها. وهذا يعني أنه قد تكون هناك تسلسلات في الجينات لا يتم التعبير عنها، وهو ما ينطبق بالفعل على معظم الجينات. والسبب وراء وجود هذه المناطق غير المشفرة هو توفير منطقة عازلة من المحطات الطرفية بحيث تتوافق جميع تعبيرات k المشفرة في جينات GEP دائمًا مع البرامج أو التعبيرات الصالحة.

وبالتالي فإن جينات برمجة التعبير الجيني تتألف من مجالين مختلفين ـ الرأس والذيل ـ ولكل منهما خصائص ووظائف مختلفة. ويستخدم الرأس في الأساس لترميز الوظائف والمتغيرات المختارة لحل المشكلة المطروحة، في حين يوفر الذيل، في حين يستخدم أيضاً لترميز المتغيرات، مخزوناً أساسياً من المحطات الطرفية لضمان خلو جميع البرامج من الأخطاء.

بالنسبة لجينات GEP، يتم تحديد طول الذيل بالصيغة:

${\displaystyle t=h(n_{\max }-1)+1}$

حيث h هو طول الرأس و n _max هو الحد الأقصى للتكرار. على سبيل المثال، بالنسبة للجين الذي تم إنشاؤه باستخدام مجموعة الدوال F = {Q, +, −, ∗, 3} ومجموعة النهايات T = {a, b}، فإن n _max = 2. وإذا اخترنا طول رأس 15، فإن t = 15 (2–1) + 1 = 16، مما يعطي طول الجين g 15 + 16 = 31. السلسلة المولدة عشوائيًا أدناه هي مثال على أحد هذه الجينات:

0123456789012345678901234567890

*b+a-aQab+//+b+babbabbbababbaaa

يقوم بترميز شجرة التعبير:

الذي يستخدم في هذه الحالة 8 فقط من العناصر الـ31 التي تشكل الجين.

ليس من الصعب أن نرى أنه على الرغم من طولها الثابت، فإن كل جين لديه القدرة على ترميز أشجار التعبير بأحجام وأشكال مختلفة، حيث تتكون أبسطها من عقدة واحدة فقط (عندما يكون العنصر الأول في الجين هو الطرفية) وتتكون أكبرها من عدد من العقد يساوي عدد العناصر في الجين (عندما تكون جميع العناصر في الرأس عبارة عن وظائف ذات أقصى قدر من التنوع).

ليس من الصعب أيضًا أن نرى أنه من السهل تنفيذ جميع أنواع التعديل الجيني ( الطفرة ، والعكس، والإدراج، وإعادة التركيب ، وما إلى ذلك) مع ضمان أن جميع النسل الناتج يشفر برامج صحيحة وخالية من الأخطاء.

تتكون كروموسومات برمجة التعبير الجيني عادة من أكثر من جين واحد بنفس الطول. كل جين يشفر شجرة تعبير فرعية (sub-ET) أو برنامج فرعي. بعد ذلك، يمكن لـ sub-ETs التفاعل مع بعضها البعض بطرق مختلفة، لتكوين برنامج أكثر تعقيدًا. يوضح الشكل مثالاً لبرنامج مكون من ثلاث sub-ETs.

في البرنامج النهائي، يمكن ربط المتغيرات الفرعية عن طريق الإضافة أو بعض الوظائف الأخرى، حيث لا توجد قيود على نوع وظيفة الربط التي قد يختارها المرء. تتضمن بعض الأمثلة على الروابط الأكثر تعقيدًا أخذ المتوسط ​​والوسيط والمدى المتوسط، وتحديد عتبة مجموعها لإجراء تصنيف ثنائي، وتطبيق دالة سيجمايد لحساب الاحتمال، وما إلى ذلك. عادةً ما يتم اختيار وظائف الربط هذه مسبقًا لكل مشكلة، ولكن يمكن أيضًا تطويرها بأناقة وكفاءة بواسطة النظام الخلوي ^{[6] [7]} لبرمجة التعبير الجيني.

في برمجة التعبير الجيني، تتحكم الجينات المثلية في تفاعلات الخلايا الفرعية أو وحدات البرنامج الرئيسي. ويؤدي التعبير عن مثل هذه الجينات إلى ظهور برامج أو خلايا رئيسية مختلفة، أي أنها تحدد الجينات التي يتم التعبير عنها في كل خلية وكيفية تفاعل الخلايا الفرعية لكل خلية مع بعضها البعض. بعبارة أخرى، تحدد الجينات المثلية الخلايا الفرعية التي يتم استدعاؤها ومدى تكرارها في أي برنامج أو خلية رئيسية ونوع الاتصالات التي تقيمها مع بعضها البعض.

تتمتع الجينات المتجانسة بنفس نوع التنظيم البنيوي للجينات الطبيعية، ويتم بناؤها باستخدام عملية متطابقة. كما تحتوي على مجال رأسي ومجال ذيلي، مع اختلاف أن الرؤوس تحتوي الآن على وظائف ربط ونوع خاص من المحطات الطرفية - المحطات الطرفية الجينية - التي تمثل الجينات الطبيعية. ينتج التعبير عن الجينات الطبيعية كما هو معتاد في وظائف فرعية مختلفة، والتي تسمى في النظام الخلوي ADFs (الوظائف المحددة تلقائيًا). أما بالنسبة للذيول، فهي تحتوي فقط على محطات طرفية جينية، أي السمات المشتقة التي يتم إنشاؤها على الفور بواسطة الخوارزمية.

على سبيل المثال، يحتوي الكروموسوم في الشكل على ثلاثة جينات طبيعية وجين واحد متماثل، ويشفر برنامجًا رئيسيًا يستدعي ثلاث وظائف مختلفة أربع مرات إجمالاً، ويربط بينها بطريقة معينة.

من هذا المثال، يتضح أن النظام الخلوي لا يسمح فقط بالتطور غير المقيد لوظائف الربط، بل يسمح أيضًا بإعادة استخدام التعليمات البرمجية. ولا ينبغي أن يكون من الصعب تنفيذ التكرار في هذا النظام.

تتكون الأنظمة متعددة الخلايا من أكثر من جين متماثل. يجمع كل جين متماثل في هذا النظام مجموعة مختلفة من أشجار التعبير الفرعية أو ADFs، مما يؤدي إلى إنشاء خلايا متعددة أو برامج رئيسية.

على سبيل المثال، تم إنشاء البرنامج الموضح في الشكل باستخدام نظام خلوي مكون من خليتين وثلاثة جينات طبيعية.

إن تطبيقات هذه الأنظمة متعددة الخلايا متعددة ومتنوعة، ومثلها كمثل الأنظمة متعددة الجينات، يمكن استخدامها في مشاكل ذات مخرج واحد فقط وفي مشاكل ذات مخرجات متعددة.

إن مجال الرأس/الذيل لجينات GEP (سواء كانت طبيعية أو متماثلة) هو اللبنة الأساسية لجميع خوارزميات GEP. ومع ذلك، فإن برمجة التعبير الجيني تستكشف أيضًا تنظيمات كروموسومية أخرى أكثر تعقيدًا من بنية الرأس/الذيل. تتكون هذه الهياكل المعقدة بشكل أساسي من وحدات وظيفية أو جينات ذات مجال رأس/ذيل أساسي بالإضافة إلى مجال واحد أو أكثر إضافي. عادةً ما تشفر هذه المجالات الإضافية ثوابت رقمية عشوائية تعمل الخوارزمية على ضبطها بدقة من أجل إيجاد حل جيد. على سبيل المثال، قد تكون هذه الثوابت الرقمية هي الأوزان أو العوامل في مشكلة تقريب الدالة (انظر خوارزمية GEP-RNC أدناه)؛ قد تكون أوزان وعتبات الشبكة العصبية (انظر خوارزمية GEP-NN أدناه)؛ الثوابت الرقمية اللازمة لتصميم أشجار القرار (انظر خوارزمية GEP-DT أدناه)؛ الأوزان اللازمة للحث متعدد الحدود؛ أو الثوابت الرقمية العشوائية المستخدمة لاكتشاف قيم المعلمات في مهمة تحسين المعلمات.

الخطوات الأساسية لخوارزمية التعبير الجيني الأساسية مدرجة أدناه في الكود الزائف:

1. حدد مجموعة الوظائف؛
2. حدد مجموعة المحطة الطرفية؛
3. تحميل مجموعة البيانات لتقييم اللياقة البدنية؛
4. إنشاء كروموسومات السكان الأولية بشكل عشوائي؛
5. لكل برنامج في السكان:
   1. التعبير عن الكروموسوم؛
   2. تنفيذ البرنامج؛
   3. تقييم اللياقة البدنية؛
6. التحقق من حالة التوقف؛
7. اختر البرامج؛
8. تكرار البرامج المحددة لتشكيل السكان التاليين؛
9. تعديل الكروموسومات باستخدام العوامل الوراثية؛
10. انتقل إلى الخطوة 5.

إن الخطوات الأربع الأولى تحضر كل المكونات اللازمة للحلقة التكرارية للخوارزمية (الخطوات من 5 إلى 10). ومن بين هذه الخطوات التحضيرية، فإن الخطوة الحاسمة هي إنشاء المجموعة السكانية الأولية، والتي يتم إنشاؤها عشوائيًا باستخدام عناصر الدالة والمجموعات الطرفية.

كما هو الحال مع جميع الخوارزميات التطورية، تعمل برمجة التعبير الجيني مع مجموعات من الأفراد، والتي هي في هذه الحالة عبارة عن برامج كمبيوتر. وبالتالي، يجب إنشاء نوع ما من السكان الأوليين لبدء الأمور. أما السكان اللاحقون فهم أحفاد السكان الأوليين، عن طريق الانتقاء والتعديل الجيني.

في نظام النمط الجيني/النمط الظاهري لبرمجة التعبير الجيني، من الضروري فقط إنشاء الكروموسومات الخطية البسيطة للأفراد دون القلق بشأن السلامة البنيوية للبرامج التي تشفرها، حيث يؤدي تعبيرها دائمًا إلى برامج صحيحة نحويًا.

إن وظائف اللياقة البدنية وبيئات الاختيار (والتي تسمى مجموعات بيانات التدريب في التعلم الآلي ) هما وجهان للياقة البدنية وبالتالي فهما مرتبطان بشكل معقد. في الواقع، لا تعتمد ملاءمة البرنامج على دالة التكلفة المستخدمة لقياس أدائه فحسب، بل تعتمد أيضًا على بيانات التدريب المختارة لتقييم اللياقة البدنية.

تتكون بيئة الاختيار من مجموعة سجلات التدريب، والتي تسمى أيضًا حالات اللياقة البدنية. يمكن أن تكون حالات اللياقة البدنية هذه عبارة عن مجموعة من الملاحظات أو القياسات المتعلقة ببعض المشكلات، وتشكل ما يسمى بمجموعة بيانات التدريب.

إن جودة بيانات التدريب ضرورية لتطوير حلول جيدة. يجب أن تكون مجموعة التدريب الجيدة ممثلة للمشكلة المطروحة ومتوازنة أيضًا، وإلا فقد تتوقف الخوارزمية عند حد معين من الحد الأمثل المحلي. بالإضافة إلى ذلك، من المهم أيضًا تجنب استخدام مجموعات بيانات كبيرة بشكل غير ضروري للتدريب لأن هذا من شأنه أن يبطئ الأمور بشكل غير ضروري. تتمثل إحدى القواعد الأساسية الجيدة في اختيار عدد كافٍ من السجلات للتدريب لتمكين التعميم الجيد في بيانات التحقق وترك السجلات المتبقية للتحقق والاختبار.

وبصورة عامة، هناك ثلاثة أنواع مختلفة من المشاكل استناداً إلى نوع التنبؤ الذي يتم إجراؤه:

1. المشاكل المتعلقة بالتنبؤات الرقمية (المستمرة)؛
2. المشاكل التي تنطوي على التنبؤات التصنيفية أو الاسمية، سواء كانت ثنائية أو متعددة الحدود؛
3. المشاكل المتعلقة بالتنبؤات الثنائية أو المنطقية.

النوع الأول من المشاكل يسمى الانحدار ؛ والثاني يعرف بالتصنيف ، مع الانحدار اللوجستي كحالة خاصة حيث، بالإضافة إلى التصنيفات الواضحة مثل "نعم" أو "لا"، يتم أيضًا ربط الاحتمال بكل نتيجة؛ والأخير مرتبط بالجبر البولياني والتوليف المنطقي .

في الانحدار ، تكون الاستجابة أو المتغير التابع رقميًا (مستمرًا عادةً)، وبالتالي فإن ناتج نموذج الانحدار مستمر أيضًا. لذا، من السهل جدًا تقييم مدى ملاءمة النماذج المتطورة من خلال مقارنة ناتج النموذج بقيمة الاستجابة في بيانات التدريب.

هناك العديد من وظائف اللياقة الأساسية لتقييم أداء النموذج، وأكثرها شيوعًا هو الذي يعتمد على الخطأ أو المتبقي بين مخرجات النموذج والقيمة الفعلية. تتضمن هذه الوظائف متوسط ​​الخطأ التربيعي ، وجذر متوسط ​​الخطأ التربيعي ، ومتوسط ​​الخطأ المطلق ، والخطأ التربيعي النسبي، وجذر الخطأ التربيعي النسبي، والخطأ المطلق النسبي، وغيرها.

توفر كل هذه المقاييس القياسية حبيبات دقيقة أو سلاسة لمساحة الحل وبالتالي تعمل بشكل جيد للغاية لمعظم التطبيقات. ولكن قد تتطلب بعض المشكلات تطورًا أكثر خشونة، مثل تحديد ما إذا كان التنبؤ ضمن فترة زمنية معينة، على سبيل المثال أقل من 10٪ من القيمة الفعلية. ومع ذلك، حتى إذا كان المرء مهتمًا فقط بحساب النتائج (أي التنبؤ الذي يقع ضمن الفترة الزمنية المختارة)، فإن إنشاء مجموعات من النماذج تتطور بناءً على عدد النتائج التي يسجلها كل برنامج فقط لا يكون عادةً فعالاً للغاية بسبب الحبيبات الخشنة لمشهد اللياقة البدنية . وبالتالي فإن الحل ينطوي عادةً على الجمع بين هذه المقاييس الخشنة مع نوع من الوظيفة السلسة مثل مقاييس الخطأ المعياري المذكورة أعلاه.

كما أن وظائف اللياقة البدنية القائمة على معامل الارتباط ومربع R سلسة للغاية. وبالنسبة لمشاكل الانحدار، تعمل هذه الوظائف بشكل أفضل من خلال دمجها مع مقاييس أخرى لأنها في حد ذاتها تميل فقط إلى قياس الارتباط ، ولا تهتم بنطاق قيم مخرجات النموذج. لذا، من خلال دمجها مع وظائف تعمل على تقريب نطاق القيم المستهدفة، فإنها تشكل وظائف لياقة بدنية فعالة للغاية للعثور على نماذج ذات ارتباط جيد وتناسب جيد بين القيم المتوقعة والفعلية.

يستفيد تصميم وظائف اللياقة البدنية للتصنيف والانحدار اللوجستي من ثلاث خصائص مختلفة لنماذج التصنيف. والخصائص الأكثر وضوحًا هي مجرد حساب النتائج، أي إذا تم تصنيف سجل بشكل صحيح، فسيتم احتسابه كنتيجة. وظيفة اللياقة البدنية هذه بسيطة للغاية وتعمل بشكل جيد للمشكلات البسيطة، ولكن بالنسبة للمشكلات الأكثر تعقيدًا أو مجموعات البيانات غير المتوازنة إلى حد كبير، فإنها تعطي نتائج ضعيفة.

تتمثل إحدى الطرق لتحسين هذا النوع من وظيفة اللياقة البدنية القائمة على النتائج في توسيع مفهوم التصنيفات الصحيحة والخاطئة. في مهمة التصنيف الثنائي، يمكن أن تكون التصنيفات الصحيحة 00 أو 11. يعني التمثيل "00" أن الحالة السلبية (الممثلة بـ "0") تم تصنيفها بشكل صحيح، بينما يعني "11" أن الحالة الإيجابية (الممثلة بـ "1") تم تصنيفها بشكل صحيح. تسمى التصنيفات من النوع "00" بالسلبيات الحقيقية (TN) والإيجابيات الحقيقية "11" (TP).

هناك أيضًا نوعان من التصنيفات غير الصحيحة ويتم تمثيلهما بواسطة 01 و10. يطلق عليهما اسم الإيجابيات الكاذبة (FP) عندما تكون القيمة الفعلية 0 ويتوقع النموذج 1؛ والسلبيات الكاذبة (FN) عندما يكون الهدف 1 ويتوقع النموذج 0. عادةً ما يتم الاحتفاظ بعدد TP وTN وFP وFN على جدول يُعرف باسم مصفوفة الارتباك .

مصفوفة الارتباكلمهمة التصنيف الثنائي.

		الفصل المتوقع
		نعم	لا
الصف الفعلي	نعم	TP	ف ن
	لا	ف ب	تينيسي

لذا، من خلال حساب TP وTN وFP وFN وتعيين أوزان مختلفة لهذه الأنواع الأربعة من التصنيفات، من الممكن إنشاء وظائف لياقة أكثر سلاسة وبالتالي أكثر كفاءة. تتضمن بعض وظائف اللياقة الشائعة المستندة إلى مصفوفة الارتباك الحساسية/الخصوصية ، والتذكر/الدقة ، ومقياس F ، وتشابه جاكارد ، ومعامل ارتباط ماثيوز ، ومصفوفة التكلفة/المكسب التي تجمع بين التكاليف والمكاسب المخصصة للأنواع الأربعة المختلفة من التصنيفات.

إن هذه الوظائف القائمة على مصفوفة الارتباك متطورة للغاية ومناسبة لحل معظم المشكلات بكفاءة. ولكن هناك بُعد آخر لنماذج التصنيف وهو أمر أساسي لاستكشاف مساحة الحل بكفاءة أكبر وبالتالي يؤدي إلى اكتشاف مصنفات أفضل. يتضمن هذا البعد الجديد استكشاف بنية النموذج نفسه، والتي لا تشمل فقط المجال والنطاق، بل تشمل أيضًا توزيع مخرجات النموذج وهامش المصنف.

من خلال استكشاف هذا البعد الآخر لنماذج التصنيف ثم الجمع بين المعلومات حول النموذج ومصفوفة الارتباك، من الممكن تصميم وظائف لياقة متطورة للغاية تسمح بالاستكشاف السلس لمساحة الحل. على سبيل المثال، يمكن للمرء الجمع بين بعض المقاييس القائمة على مصفوفة الارتباك مع متوسط ​​الخطأ التربيعي المقيم بين مخرجات النموذج الخام والقيم الفعلية. أو الجمع بين مقياس F ومربع R المقيم لمخرجات النموذج الخام والهدف؛ أو مصفوفة التكلفة / المكسب مع معامل الارتباط ، وما إلى ذلك. تتضمن وظائف اللياقة البدنية الأكثر غرابة التي تستكشف حبيبات النموذج المنطقة الواقعة أسفل منحنى ROC ومقياس الرتبة.

كما يرتبط بهذا البعد الجديد لنماذج التصنيف فكرة تعيين الاحتمالات لمخرجات النموذج، وهو ما يتم في الانحدار اللوجستي . ومن الممكن أيضًا استخدام هذه الاحتمالات وتقييم الخطأ التربيعي المتوسط ​​(أو أي مقياس مماثل آخر) بين الاحتمالات والقيم الفعلية، ثم دمج هذا مع مصفوفة الارتباك لإنشاء وظائف لياقة فعّالة للغاية للانحدار اللوجستي. تشمل الأمثلة الشائعة لوظائف اللياقة القائمة على الاحتمالات تقدير أقصى احتمالية وخسارة المفصلة .

في المنطق لا يوجد هيكل نموذجي (كما هو محدد أعلاه للتصنيف والانحدار اللوجستي) لاستكشافه: يتألف مجال ونطاق الوظائف المنطقية فقط من 0 و1 أو خطأ وصواب. لذا، لا يمكن أن تستند وظائف اللياقة البدنية المتاحة للجبر البولياني إلا إلى النتائج أو إلى مصفوفة الارتباك كما هو موضح في القسم أعلاه.

ربما يكون اختيار عجلة الروليت هو مخطط الاختيار الأكثر شيوعًا المستخدم في الحوسبة التطورية. يتضمن هذا المخطط رسم خريطة لملاءمة كل برنامج لشريحة من عجلة الروليت تتناسب مع ملاءمتها. ثم يتم تدوير الروليت عدة مرات بقدر عدد البرامج في السكان من أجل الحفاظ على حجم السكان ثابتًا. وبالتالي، باستخدام اختيار عجلة الروليت، يتم اختيار البرامج وفقًا للملاءمة وحظ السحب، مما يعني أنه في بعض الأحيان قد تضيع أفضل السمات. ومع ذلك، من خلال الجمع بين اختيار عجلة الروليت واستنساخ أفضل برنامج في كل جيل، نضمن عدم ضياع أفضل السمات على الأقل. تُعرف هذه التقنية لاستنساخ أفضل برنامج في الجيل باسم النخبوية البسيطة وتستخدمها معظم مخططات الاختيار العشوائية.

تتضمن عملية إعادة إنتاج البرامج أولاً اختيار الجينومات ثم إعادة إنتاجها. لا يتطلب الأمر تعديل الجينوم من أجل إعادة الإنتاج، ولكن بدون ذلك لن يحدث التكيف والتطور.

يقوم عامل التحديد باختيار البرامج التي سيقوم عامل التكرار بنسخها. واعتمادًا على مخطط التحديد، قد يختلف عدد النسخ التي يقوم برنامج واحد بنسخها، حيث يتم نسخ بعض البرامج أكثر من مرة بينما يتم نسخ برامج أخرى مرة واحدة فقط أو لا يتم نسخها على الإطلاق. بالإضافة إلى ذلك، يتم إعداد التحديد عادةً بحيث يظل حجم السكان ثابتًا من جيل إلى آخر.

إن تكرار الجينومات في الطبيعة معقد للغاية، وقد استغرق العلماء وقتاً طويلاً لاكتشاف الحلزون المزدوج للحمض النووي واقتراح آلية لتكراره. ولكن تكرار الخيوط أمر تافه في الأنظمة التطورية الاصطناعية، حيث لا يتطلب الأمر سوى إصدار تعليمات بنسخ الخيوط لتمرير كل المعلومات في الجينوم من جيل إلى جيل.

إن تكرار البرامج المختارة يشكل جزءًا أساسيًا من جميع الأنظمة التطورية الاصطناعية، ولكن لكي يحدث التطور، فلا بد من تنفيذه ليس بالدقة المعتادة لتعليمات النسخ، بل بإضافة بعض الأخطاء. والواقع أن التنوع الجيني يتم إنشاؤه من خلال عوامل وراثية مثل الطفرة ، وإعادة التركيب ، والنقل ، والعكس، وغيرها الكثير.

في برمجة التعبير الجيني، تعد الطفرة العامل الجيني الأكثر أهمية. ^[8] فهي تغير الجينومات عن طريق تغيير عنصر بعنصر آخر. إن تراكم العديد من التغييرات الصغيرة بمرور الوقت يمكن أن يخلق تنوعًا كبيرًا.

في برمجة التعبير الجيني، لا توجد قيود على الطفرة على الإطلاق، مما يعني أنه في كل مجال جيني يمكن استبدال أي رمز مجال بآخر. على سبيل المثال، في رؤوس الجينات، يمكن استبدال أي وظيفة بنهاية أو وظيفة أخرى، بغض النظر عن عدد الوسائط في هذه الوظيفة الجديدة؛ ويمكن استبدال النهاية بوظيفة أو نهاية أخرى.

تتضمن عملية إعادة التركيب عادةً دمج كروموسومين أصليين لإنشاء كروموسومين جديدين من خلال الجمع بين أجزاء مختلفة من الكروموسومات الأصلية. وطالما أن الكروموسومات الأصلية مصطفة وأن الأجزاء المتبادلة متجانسة (أي تشغل نفس الموضع في الكروموسوم)، فإن الكروموسومات الجديدة التي يتم إنشاؤها عن طريق إعادة التركيب سوف تشفر دائمًا برامج صحيحة نحويًا.

يمكن تنفيذ أنواع مختلفة من التهجين بسهولة إما عن طريق تغيير عدد الوالدين المعنيين (لا يوجد سبب لاختيار اثنين فقط)؛ أو عدد نقاط الانقسام؛ أو الطريقة التي يختارها المرء لتبادل الأجزاء، على سبيل المثال، إما بشكل عشوائي أو بطريقة منظمة. على سبيل المثال، يمكن إجراء إعادة تركيب الجينات، وهي حالة خاصة من إعادة التركيب، عن طريق تبادل الجينات المتجانسة (الجينات التي تشغل نفس الموضع في الكروموسوم) أو عن طريق تبادل الجينات المختارة عشوائيًا من أي موضع في الكروموسوم.

تتضمن عملية النقل إدخال تسلسل إدراج في مكان ما في الكروموسوم. في برمجة التعبير الجيني، قد تظهر تسلسلات الإدراج في أي مكان في الكروموسوم، لكنها تُدرج فقط في رؤوس الجينات. تضمن هذه الطريقة أن تسلسلات الإدراج من الذيل تؤدي إلى برامج خالية من الأخطاء.

لكي يعمل النقل بشكل صحيح، يجب أن يحافظ على طول الكروموسوم وبنية الجين. لذا، في برمجة التعبير الجيني، يمكن تنفيذ النقل باستخدام طريقتين مختلفتين: الأولى تخلق تحولاً في موقع الإدخال، يتبعه حذف في نهاية الرأس؛ والثانية تحل محل التسلسل المحلي في موقع الهدف وبالتالي يسهل تنفيذها. يمكن تنفيذ كلتا الطريقتين للعمل بين الكروموسومات أو داخل الكروموسوم أو حتى داخل جين واحد.

يعد العكس عاملًا مثيرًا للاهتمام، وقويًا بشكل خاص لتحسين التركيبات . ^[9] وهو يتكون من عكس تسلسل صغير داخل الكروموسوم.

في برمجة التعبير الجيني، يمكن تنفيذ ذلك بسهولة في جميع المجالات الجينية، وفي جميع الحالات، يكون النسل الناتج دائمًا صحيحًا من الناحية النحوية. بالنسبة لأي مجال جيني، يتم اختيار تسلسل (يتراوح من عنصرين على الأقل إلى حجم المجال نفسه) عشوائيًا داخل هذا المجال ثم يتم عكسه.

توجد العديد من المشغلات الجينية الأخرى، وفي برمجة التعبير الجيني، مع جيناتها ومجالاتها الجينية المختلفة، فإن الاحتمالات لا حصر لها. على سبيل المثال، المشغلات الجينية مثل إعادة التركيب من نقطة واحدة، وإعادة التركيب من نقطتين، وإعادة التركيب الجيني، وإعادة التركيب الموحد، ونقل الجينات، ونقل الجذر، والطفرة الخاصة بالمجال، والانعكاس الخاص بالمجال، والنقل الخاص بالمجال، وما إلى ذلك، يتم تنفيذها بسهولة واستخدامها على نطاق واسع.

الثوابت العددية هي عناصر أساسية في النماذج الرياضية والإحصائية، ولذلك من المهم السماح بدمجها في النماذج المصممة بواسطة الخوارزميات التطورية.

تحل برمجة التعبير الجيني هذه المشكلة بشكل أنيق للغاية من خلال استخدام مجال جيني إضافي - Dc - للتعامل مع الثوابت العددية العشوائية (RNC). من خلال الجمع بين هذا المجال وعنصر نائب طرفي خاص للثوابت العددية العشوائية، يمكن إنشاء نظام تعبيري غني.

من الناحية البنيوية، يأتي Dc بعد الذيل، ويبلغ طوله نفس حجم الذيل t ، ويتكون من الرموز المستخدمة لتمثيل RNCs.

على سبيل المثال، يظهر أدناه كروموسوم بسيط يتكون من جين واحد فقط بحجم رأس 7 (يمتد Dc عبر المواضع 15-22):

01234567890123456789012

+?*+?**aaa??aaa68083295

حيث يمثل الطرف "؟" العنصر النائب لـ RNCs. يتم التعبير عن هذا النوع من الكروموسوم تمامًا كما هو موضح أعلاه، مما يعطي:

ثم يتم استبدال علامات الاستفهام في شجرة التعبيرات من اليسار إلى اليمين ومن الأعلى إلى الأسفل بالرموز (للتبسيط يتم تمثيلها بالأرقام) في Dc، مما يعطي:

يتم الاحتفاظ بالقيم المقابلة لهذه الرموز في مصفوفة. (للتبسيط، يشير الرقم الذي يمثله الرقم إلى الترتيب في المصفوفة.) على سبيل المثال، بالنسبة لمصفوفة RNCs التالية المكونة من 10 عناصر:

ج = {0.611، 1.184، 2.449، 2.98، 0.496، 2.286، 0.93، 2.305، 2.737، 0.755}

شجرة التعبير أعلاه تعطي:

يقع هذا الهيكل الأنيق للتعامل مع الثوابت الرقمية العشوائية في قلب أنظمة GEP المختلفة، مثل الشبكات العصبية GEP وأشجار قرار GEP.

مثل خوارزمية التعبير الجيني الأساسية، فإن خوارزمية GEP-RNC هي أيضًا متعددة الجينات ويتم فك تشفير كروموسوماتها كالمعتاد عن طريق التعبير عن جين واحد تلو الآخر ثم ربطها جميعًا معًا بواسطة نفس النوع من عملية الربط.

إن المشغلات الجينية المستخدمة في نظام GEP-RNC هي امتداد للمشغلات الجينية لخوارزمية GEP الأساسية (انظر أعلاه)، ويمكن تنفيذها جميعها بشكل مباشر في هذه الكروموسومات الجديدة. من ناحية أخرى، تُستخدم المشغلات الأساسية للطفرة والانعكاس والنقل وإعادة التركيب أيضًا في خوارزمية GEP-RNC. علاوة على ذلك، تُستخدم أيضًا مشغلات خاصة بـ Dc مثل الطفرة والانعكاس والنقل للمساعدة في تداول أكثر كفاءة لـ RNCs بين البرامج الفردية. بالإضافة إلى ذلك، يوجد أيضًا مشغل طفرة خاص يسمح بإدخال التباين الدائم في مجموعة RNCs. يتم إنشاء المجموعة الأولية من RNCs بشكل عشوائي في بداية التشغيل، مما يعني أنه بالنسبة لكل جين في المجموعة السكانية الأولية، يتم إنشاء عدد محدد من الثوابت الرقمية، المختارة من نطاق معين، بشكل عشوائي. ثم يتم تمكين تداولها وطفرتها بواسطة المشغلات الجينية.

الشبكة العصبية الاصطناعية (ANN أو NN) هي جهاز حاسوبي يتكون من العديد من الوحدات أو الخلايا العصبية البسيطة المتصلة. وعادة ما يتم ترجيح الاتصالات بين الوحدات بأوزان ذات قيمة حقيقية. وهذه الأوزان هي الوسيلة الأساسية للتعلم في الشبكات العصبية وعادة ما يتم استخدام خوارزمية التعلم لضبطها.

من الناحية البنيوية، تحتوي الشبكة العصبية على ثلاث فئات مختلفة من الوحدات: وحدات الإدخال، والوحدات المخفية، ووحدات الإخراج. يتم تقديم نمط التنشيط عند وحدات الإدخال ثم ينتشر في اتجاه أمامي من وحدات الإدخال عبر طبقة أو أكثر من الوحدات المخفية إلى وحدات الإخراج. يتم ضرب التنشيط القادم إلى وحدة واحدة من وحدة أخرى بالأوزان الموجودة على الروابط التي ينتشر عليها. ثم يتم جمع كل التنشيط الوارد معًا وتصبح الوحدة نشطة فقط إذا كانت النتيجة الواردة أعلى من عتبة الوحدة.

باختصار، المكونات الأساسية للشبكة العصبية هي الوحدات، والروابط بين الوحدات، والأوزان، والعتبات. لذا، من أجل محاكاة شبكة عصبية اصطناعية بالكامل، يجب علينا بطريقة ما ترميز هذه المكونات في كروموسوم خطي ثم القدرة على التعبير عنها بطريقة ذات معنى.

في الشبكات العصبية GEP (GEP-NN أو شبكات GEP)، يتم ترميز بنية الشبكة في البنية المعتادة لمجال الرأس/الذيل. ^[10] يحتوي الرأس على وظائف/عصبونات خاصة تعمل على تنشيط الوحدات المخفية ووحدات الإخراج (في سياق GEP، يُطلق على كل هذه الوحدات بشكل أكثر ملاءمة الوحدات الوظيفية) والمحطات الطرفية التي تمثل وحدات الإدخال. يحتوي الذيل، كالمعتاد، على محطات طرفية/وحدات إدخال فقط.

بالإضافة إلى الرأس والذيل، تحتوي جينات الشبكة العصبية هذه على مجالين إضافيين، Dw وDt، لترميز أوزان وحدود الشبكة العصبية. من الناحية البنيوية، يأتي Dw بعد الذيل ويعتمد طوله dw على حجم الرأس h والحد الأقصى للتردد n _max ويتم تقييمه بالصيغة _:

${\displaystyle d_{w}=hn_{\max }}$

يأتي Dt بعد Dw ويبلغ طوله d _t مساويا لـ t . يتكون كلا المجالين من رموز تمثل أوزان وحدود الشبكة العصبية.

بالنسبة لكل جين NN، يتم إنشاء الأوزان والحدود في بداية كل تشغيل، ولكن يتم ضمان تداولها وتكييفها من خلال المشغلات الجينية المعتادة للطفرة والنقل والعكس وإعادة التركيب. بالإضافة إلى ذلك، يتم استخدام مشغلات خاصة أيضًا للسماح بتدفق ثابت للتباين الجيني في مجموعة الأوزان والحدود.

على سبيل المثال، يظهر أدناه شبكة عصبية تحتوي على وحدتي إدخال ( i ₁ و i ₂ )، ووحدتين مخفيتين ( h ₁ و h ₂ )، ووحدة إخراج واحدة ( o ₁ ). ولديها إجمالي ستة اتصالات مع ستة أوزان مقابلة ممثلة بالأرقام من 1 إلى 6 (للتبسيط، تكون جميع العتبات مساوية لـ 1 ويتم حذفها):

هذا التمثيل هو التمثيل التقليدي للشبكة العصبية، ولكن يمكن أيضًا تمثيل الشبكات العصبية بواسطة شجرة، والتي تتوافق في هذه الحالة مع:

حيث يمثل "a" و"b" المدخلين i ₁ و i ₂ ويمثل "D" دالة ذات اتصال 2. تضيف هذه الدالة جميع وسيطاتها المرجحة ثم تحدد عتبة هذا التنشيط لتحديد الناتج المعاد توجيهه. يعتمد هذا الناتج (صفر أو واحد في هذه الحالة البسيطة) على عتبة كل وحدة، أي إذا كان إجمالي التنشيط الوارد مساويًا أو أكبر من العتبة، فإن الناتج يكون واحدًا، وإلا يكون صفرًا.

يمكن خطية شجرة NN أعلاه على النحو التالي:

0123456789012

DDDabab654321

حيث يقوم الهيكل الموجود في المواضع 7-12 (Dw) بترميز الأوزان. يتم الاحتفاظ بقيم كل وزن في مصفوفة واسترجاعها حسب الضرورة للتعبير.

كمثال أكثر تحديدًا، يظهر أدناه جين الشبكة العصبية لمشكلة الحصرية أو . يبلغ حجم رأسه 3 وحجم Dw 6:

0123456789012

DDDabab393257

وينتج عن تعبيرها الشبكة العصبية التالية:

والتي، بالنسبة لمجموعة الأوزان:

ث = {−1.978، 0.514، −0.465، 1.22، −1.686، −1.797، 0.197، 1.606، 0، 1.753}

إنه يعطي:

وهو الحل الأمثل للوظيفة الحصرية أو.

بالإضافة إلى الوظائف المنطقية البسيطة ذات المدخلات الثنائية والمخرجات الثنائية، يمكن لخوارزمية شبكات GEP التعامل مع جميع أنواع الوظائف أو الخلايا العصبية (الخلايا العصبية الخطية، وخلايا عصبية تان، وخلايا عصبية أتان، وخلايا عصبية لوجيستية، وخلايا عصبية محدودة، وخلايا عصبية ذات أساس شعاعي ومثلث، وجميع أنواع الخلايا العصبية المتدرجة، وما إلى ذلك). ومن المثير للاهتمام أيضًا أن خوارزمية شبكات GEP يمكنها استخدام كل هذه الخلايا العصبية معًا والسماح للتطور بتحديد أي منها يعمل بشكل أفضل لحل المشكلة المطروحة. لذا، يمكن استخدام شبكات GEP ليس فقط في المشكلات المنطقية ولكن أيضًا في الانحدار اللوجستي والتصنيف والانحدار . في جميع الحالات، يمكن تنفيذ شبكات GEP ليس فقط مع الأنظمة متعددة الجينات ولكن أيضًا مع الأنظمة الخلوية، سواء كانت أحادية الخلية أو متعددة الخلايا. علاوة على ذلك، يمكن أيضًا معالجة مشكلات التصنيف متعدد الحدود دفعة واحدة بواسطة شبكات GEP مع كل من الأنظمة متعددة الجينات والأنظمة متعددة الخلايا.

أشجار القرار (DT) هي نماذج تصنيف حيث يتم تعيين سلسلة من الأسئلة والأجوبة باستخدام العقد والحواف الموجهة.

تحتوي أشجار القرار على ثلاثة أنواع من العقد: عقدة الجذر، والعقد الداخلية، والعقد الورقية أو الطرفية. تمثل العقدة الجذرية وجميع العقد الداخلية ظروف الاختبار لسمات أو متغيرات مختلفة في مجموعة بيانات. تحدد العقد الورقية تسمية الفئة لجميع المسارات المختلفة في الشجرة.

تتضمن معظم خوارزميات استقراء شجرة القرار تحديد سمة للعقدة الجذرية ثم اتخاذ نفس النوع من القرار المستنير بشأن جميع العقد في الشجرة.

يمكن أيضًا إنشاء أشجار القرار عن طريق برمجة التعبير الجيني ^[11]، مع ميزة أن جميع القرارات المتعلقة بنمو الشجرة يتم اتخاذها بواسطة الخوارزمية نفسها دون أي نوع من الإدخال البشري.

هناك نوعان أساسيان مختلفان من خوارزميات DT: أحدهما لتحريض أشجار القرار باستخدام السمات الاسمية فقط والآخر لتحريض أشجار القرار باستخدام السمات الرقمية والاسمية. ينطبق هذا الجانب من تحريض شجرة القرار أيضًا على برمجة التعبير الجيني وهناك خوارزميتان GEP لتحريض شجرة القرار: خوارزمية أشجار القرار القابلة للتطور (EDT) للتعامل حصريًا مع السمات الاسمية وEDT-RNC (EDT مع ثوابت رقمية عشوائية) للتعامل مع السمات الاسمية والرقمية.

في أشجار القرار الناتجة عن برمجة التعبير الجيني، تتصرف السمات كعقد وظيفية في خوارزمية التعبير الجيني الأساسية، في حين تتصرف تسميات الفئة كنهايات. وهذا يعني أن عقد السمات مرتبطة أيضًا بعدد معين من الفروع التي ستحدد نموها، وفي النهاية نمو الشجرة. تتصرف تسميات الفئة كنهايات، وهذا يعني أنه بالنسبة لمهمة تصنيف فئة k ، يتم استخدام مجموعة طرفية بها k طرفية، تمثل الفئات k المختلفة.

إن قواعد ترميز شجرة القرار في الجينوم الخطي تشبه إلى حد كبير القواعد المستخدمة لترميز التعبيرات الرياضية (انظر أعلاه). لذا، بالنسبة لاستحثاث شجرة القرار، فإن الجينات لها أيضًا رأس وذيل، حيث يحتوي الرأس على السمات والمحطات الطرفية ويحتوي الذيل على المحطات الطرفية فقط. وهذا يضمن مرة أخرى أن جميع أشجار القرار المصممة بواسطة GEP هي برامج صالحة دائمًا. وعلاوة على ذلك، فإن حجم الذيل t يتم تحديده أيضًا بحجم الرأس h وعدد فروع السمة ذات الفروع الأكثر n _max ويتم تقييمه بالمعادلة:

${\displaystyle t=h(n_{\max }-1)+1\,}$

على سبيل المثال، ضع في اعتبارك شجرة القرار أدناه لتقرر ما إذا كنت تريد اللعب في الخارج:

يمكن ترميزها خطيًا على النحو التالي:

01234567

HOWbaaba

حيث يمثل "H" السمة Humidity، و"O" السمة Outlook، و"W" تمثل Windy، و"a" و"b" تسميات الفئة "Yes" و"No" على التوالي. لاحظ أن الحواف التي تربط العقد هي خصائص للبيانات، وتحدد نوع وعدد فروع كل سمة، وبالتالي لا يلزم ترميزها.

تبدأ عملية استحثاث شجرة القرار باستخدام برمجة التعبير الجيني، كالمعتاد، بمجموعة أولية من الكروموسومات التي تم إنشاؤها عشوائيًا. ثم يتم التعبير عن الكروموسومات كأشجار قرار وتقييم ملاءمتها مقابل مجموعة بيانات التدريب. وفقًا للملاءمة، يتم بعد ذلك اختيارها للتكاثر مع التعديل. المشغلات الجينية هي نفسها تمامًا المستخدمة في نظام أحادي الجينات التقليدي، على سبيل المثال، الطفرة، والعكس، والنقل، وإعادة التركيب.

يمكن أيضًا إنشاء أشجار القرار ذات السمات الاسمية والعددية بسهولة باستخدام برمجة التعبير الجيني باستخدام الإطار الموصوف أعلاه للتعامل مع الثوابت الرقمية العشوائية. تتضمن البنية الكروموسومية مجالًا إضافيًا لترميز الثوابت الرقمية العشوائية، والتي تُستخدم كعتبات لتقسيم البيانات عند كل عقدة متفرعة. على سبيل المثال، الجين أدناه بحجم رأس 5 (يبدأ Dc عند الموضع 16):

012345678901234567890

WOTHabababbbabba46336

يقوم بتشفير شجرة القرار الموضحة أدناه:

في هذا النظام، ترتبط بكل عقدة في الرأس، بغض النظر عن نوعها (سمة عددية، أو سمة اسمية، أو طرفية)، ثابت عددي عشوائي، والذي يتم تمثيله في المثال أعلاه من أجل التبسيط بالرقم 0-9. يتم ترميز هذه الثوابت العددية العشوائية في مجال Dc ويتبع تعبيرها مخططًا بسيطًا للغاية: من الأعلى إلى الأسفل ومن اليسار إلى اليمين، يتم تعيين العناصر في Dc واحدًا تلو الآخر للعناصر في شجرة القرار. لذا، بالنسبة لمجموعة RNCs التالية:

ج = {62، 51، 68، 83، 86، 41، 43، 44، 9، 67}

تؤدي شجرة القرار أعلاه إلى:

والتي يمكن أيضًا تمثيلها بشكل أكثر لونًا كشجرة قرار تقليدية:

لقد تعرضت تقنية GEP لانتقادات بسبب عدم كونها تحسنًا كبيرًا مقارنة بتقنيات البرمجة الجينية الأخرى . وفي العديد من التجارب، لم تحقق أداءً أفضل من الأساليب الموجودة. ^[12]

أدوات جينكس برو

GeneXproTools عبارة عن مجموعة تحليلات تنبؤية طورتها شركة Gepsoft. تتضمن أطر عمل النمذجة الخاصة بـ GeneXproTools الانحدار اللوجستي والتصنيف والانحدار والتنبؤ بالسلاسل الزمنية والتوليف المنطقي . تنفذ GeneXproTools خوارزمية التعبير الجيني الأساسية وخوارزمية GEP-RNC، وكلاهما مستخدم في جميع أطر عمل النمذجة الخاصة بـ GeneXproTools.

GEP4J – مشروع GEP لـ Java

تم إنشاء GEP4J بواسطة Jason Thomas، وهو عبارة عن تنفيذ مفتوح المصدر لبرمجة التعبير الجيني في Java . وهو ينفذ خوارزميات GEP مختلفة، بما في ذلك أشجار القرار المتطورة (مع السمات الاسمية أو الرقمية أو المختلطة) والوظائف المحددة تلقائيًا. يتم استضافة GEP4J في Google Code .

PyGEP – برمجة التعبير الجيني للغة بايثون

تم إنشاؤه بواسطة Ryan O'Neil بهدف إنشاء مكتبة بسيطة مناسبة للدراسة الأكاديمية لبرمجة التعبير الجيني في Python ، بهدف سهولة الاستخدام والتنفيذ السريع. ينفذ الكروموسومات المتعددة الجينات القياسية والمشغلات الجينية الطفرة والتبادل والنقل. يتم استضافة PyGEP في Google Code .

jGEP – مجموعة أدوات Java GEP

تم إنشاؤه بواسطة Matthew Sottile لإنشاء نماذج أولية لأكواد Java بسرعة باستخدام GEP، والتي يمكن كتابتها بعد ذلك بلغة مثل C أو Fortran للسرعة الحقيقية. يتم استضافة jGEP في SourceForge .

• فيريرا، سي. (2006). برمجة التعبير الجيني: النمذجة الرياضية بواسطة الذكاء الاصطناعي . دار نشر سبرينغر. رقم ISBN 3-540-32796-7.
• فيريرا، سي. (2002). برمجة التعبير الجيني: النمذجة الرياضية بواسطة الذكاء الاصطناعي. البرتغال: أنجرا دو هيرويزمو. رقم ISBN 972-95890-5-4.

• الانحدار الرمزي
• الذكاء الاصطناعي
• أشجار القرار
• الخوارزميات التطورية
• الخوارزميات الجينية
• البرمجة الجينية
• التطور النحوي
• البرمجة الوراثية الخطية
• أدوات جينكس برو
• التعلم الآلي
• برمجة متعددة التعبيرات
• الشبكات العصبية

• الصفحة الرئيسية لـ GEP، والتي يديرها مخترع برمجة التعبير الجيني.
• GeneXproTools، برنامج GEP التجاري.