علی صالحی - گروه مهندسی کامپیوتر، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات، دانشگاه فردوسی مشهد
محمدرضا اکبرزاده توتونچی - گروه مهندسی برق، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات، دانشگاه فردوسی مشهد
علیرضا روحانی منش - گروه مهندسی برق، دانشگاه نیشابور

شبکه های تنظیم کننده ژن(GRN) مجموعه ای از تنظیم کننده ای مولکولی بیان DNAها هستند که با یکدیگر و سایر مواد سلول برهم کنش دارند. این شبکه مسئولیت کنترل فرایند عمرکرد سلولی را بر عهده دارد و با تنظیم نرخ تبدیل ژن به mRNA ۲، به طور غیرمستقیم روی ترجمه پروتئین اثر می گزارد در پزشکی مولکولی، GRNها نقشی اساسی در شناخت جاذب های۳ بیماری و سلامتی دارند، و همچنین ساز و کار بیماری را از طریق روش های درمانی برای سوق دادن جاذب های سلامتی کنترل می کنند. از نگاه مدل سازی محاسباتی، GRN را می توان به صبور شبکه ای از سیستم های پویای غیر خطی در نظر گرفت که دارای رفتارهای تصادفی و ناایستا هستند. شبکه های عصبی عمیق_۴Q(DQN) نسخه ای از یادگیری تقویتی عمیق هستند که در آن تابع Q توسط شبکه های عصبی عمیق تقریب زده می شوند. در اکثر روش های موجود قابلیت پیاده سازی سیاست کارگزار، پیچیدگی و عدم قطعیج در GRNها کمتر مورد توجه قرار گرفته است. لذا در این مقاله قصد داریم تا سیاست درمانی هوشمندی مبتنی بر DQN برای شبکه دودویی تنظیم کننده ژن P۵۳ به گونه ای ارائه کنیم تبا با در نظر داشتن محدودیت های کنش در دنیای واقعی، کارگزار از مقاومت کافی در مواجهه با عدم قطعیت بر خوردار باشد. نتایج حاصل نشان می دهد که با افزایش نرخ اغتشاش شبکه P۵۳، درصد ماندگاری در ژنcaspase که منجر به مرگ سلول سرطانی می شود به ترتیب برابر با ۹۹.۸%، ۹۷.۸۵%، ۹۶.۷%، و ۹۵.۰۵% است

شبکه های تنظیم کننده ژن ، یادگیری تقویتی عمیق، شبکه های عصبی عمیق_P۵۳.Q ، سرطان