Материал: Методы и технологии генерации системного знания

Каждый показатель в реконструкции актуального состояния системы детерминирован определенными системными механизмами, которые формируют уровень его значения и предопределенность этого уровня в конкретном актуальном состоянии, а также отвечают за потенциал его изменчивости

(табл. 5.5).

Работу аналитического ядра ФС по производству системного знания завершает технология системного дизайна. Полученное системное знание представлено в чисто абстрактных формах, лишенных какой-либо предметной конкретности. Внешние формы представления этого знания содержат только условные обозначения показателей состояния системы и коды объектов наблюдения.

6. ТЕХНОЛОГИЯ ОФОРМЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ

6.1. Обзор методов технологии

Технология оформления закономерностей является элементом конструктивного компонента информационной технологии ФС и работает с системным знанием, полученным технологиями аналитического ядра. Техноло-

80

гия актуализирует ресурсы знания, формирует, организует и предоставляет ресурсы решения, необходимые для исследования конкретных целевых системных проблем. Ресурсы решения имеют нормативный формат, создаются автоматически на основе универсальных методов, учитывают специфику предметной области.

При работе с данными технология учитывает особенности эмпирических описаний систем: данные повторных экспериментов с сохранением параметров экспериментов; пропуски данных; малую представительность данных.

Для выявления закономерностей применяются форматы, в которых элементы знания представляются в специальных шкалах: шкале восстановления пропусков данных, шкале агрегированных уровней, шкале обобщенных уровней, 5-балльной шкале уровней, 3-балльной шкале уровней.

В реконструкциях состояний уровень значения каждого показателя детерминирован системными механизмами. На этом основана шкала восстановления пропусков данных, позволяющая установить уровень значения показателя при отсутствии его значения в эмпирическом описании системы.

Реконструкции состояний моделируют реальные значения показателей уровнями их значений на 17-пунктной шкале преобладания уровня. Шкала агрегированных уровней применяется для свертки значений показателя, полученных при одинаковых условиях эксперимента (табл. 6.1).

Набор, включающий несколько разных уровней значений показателя, представляется одним пунктом на 13-пунктовой шкале. Эта шкала эффективна при однородных данных, поскольку уровни из набора уровней значений лежат в одной зоне шкалы преобладания уровней.

При неоднородных данных решение задачи агрегирования может быть получено применением 5-пунктовой шкалы обобщенных уровней. Эта шкала

81

работает только с теми показателями, уровни значений которых преимущественно принадлежат одной зоне шкалы преобладания уровней.

В случае сильной неоднородности данных фиксируется факт неопределенности уровня.

3-Балльная шкала уровней является упрощением шкал преобладания уровней, агрегированных уровней, обобщенных уровней. На этой шкале каждой области высоких (High), срединных (Mean), низких (Low) значений уровней отвечает один соответствующий пункт шкалы (H, M, L).

5-Балльная шкала уровней в отличие от 3-балльной шкалы дополнительно вводит два промежуточных пункта: междувысокимисрединным(M-H), между низким и срединным (L-M) значениями уровней (рис. 6.1).

Рис. 6.1. Распределение числа показателей по моментам временно́й серии и по уровням значений (на 5-балльной шкале)

Технология оформления закономерностей в применении к прикладной задаче о характере изменчивости показателей, вызванной внешними воздействиями, в полном объеме использует технологический ресурс, учитывает особенности эмпирического материала, разрабатывает методики решения задачи на основе полученных знаний.

6.2. Научные реконструкции профилей экспрессии генов

Задача о профиле экспрессии генов решается как задача обнаружения закономерностей вида «Доза воздействия – Изменение активности генов». Такая закономерность свойственна биосистеме как единому целому. Закономерности в биосистемах обусловлены множественными структурами. Гетерогенная природа закономерностей должна быть раскрыта, научно объяснена и учтена при построении профилей экспрессии генов.

Методы, основанные на статистическом подходе, не являются адекватным инструментом исследования и объяснения сложности геномных данных.

82

Физика систем разрешает эту сложность извлечением из эмпирических данных достоверного научного знания о внутрисистемных структурах и механизмах, определяющих состояния биообъектов.

Эмпирические описания GO-категорий. Количество биообъектов, за-

нятых в эксперименте – 90, из них 25 объектов – контрольная группа, 65 объектов подвергались воздействию химического вещества (формальдегид). Параметры эксперимента – концентрация химического вещества (0; 0.7; 2; 6; 15 ppm), точка съема данных (6 ч; 24 ч; 5 дн; 8 дн; 19 дн) (табл. 6.2).

Таблица 6.2

Количество биообъектов в каждой экспериментальной группе

Результаты обработки геномных данных, полученных в ходе выполненного эксперимента, на базе статистического подхода опубликованы в журнале «Toxicological Sciences» [31]. Профили экспрессии генов на базе тех же геномных данных построены методами ФС [32].

Совокупность генов структурирована в трех представлениях генной он-

тологии NTNU GeneTools (http://www.genetools.microarray.ntnu.no), отобра-

жающих, соответственно, биологические процессы, молекулярные функции, клеточные компоненты.

В каждом представлении онтология имеет свою иерархическую структуру, уровням которой отвечают GO-категории, включающие определенные наборы генов (табл. 6.3).

83

В рамках GO-категории гены наделены смысловой однородностью. Это позволяет рассматривать любую отдельно взятую GO-категорию как систему, в рамках которой можно исследовать экспрессию генов на формальдегид методами ФС.

Эмпирическое описание каждой GO-категории как системы имеет вид таблицы, строки которой представляют экспериментальные биообъекты, столбцы – значения уровней экспрессии генов.

Системные модели. Эмпирическое описание GO-категории, являющееся исходным представлением биосистемы в данных, технология системных реконструкций преобразует в атрибутированный граф связей. В графе связей проявляется сложность (многокачественность, гетерогенность), свойственная биосистеме (табл. 6.4).

Каждая значимая парная связь в графе связей является проекцией множественных внутрисистемных корреляций, совместно определяющих форму такой связи. Гетерогенность системы передается через совокупность всех парных связей и их знаковую разметку. В подавляющем большинстве связи являются слабыми сложными и порождают большое число треугольников со знаковым дисбалансом.

На базе графа связей GO-категории технология системных реконструкций автоматически генерирует по единой схеме полное семейство системных моделей. Каждая модель данного семейства раскрывает и выражает какоелибо одно уникальное качество открытой системы, представленной этой GO-категорией. Все модели реконструктивного семейства моделей характеризуют систему во всех ее качествах. Все GO-категории являются сложными многокачественными системами (табл. 6.5).

84