— wm_title(str) задает название главного окна;

— geometry() - задает размеры окна;

— resizable() - запрещает изменение размера окна;

— config() - задает внешний стиль окна (цвет фона, ширину граней, тип границ и т. п.).

Toplevel() - класс окна, наследуемый от класса главного окна, имеет те же методы и свойства что и главное окно.

Label() - виджет который используется для вывода текста или изображения.

Button() - виджет кнопки, может содержать текст или изображение, связывает функцию или метод Python с каждой кнопкой. При нажатии кнопки Tkinter автоматически вызывает эту функцию или метод.

Entry() - виджет поля ввода, используется для ввода или отображения одной строки текста, получает введенные пользователем значения.

Text() - виджет для отображения текстовой информации.

OptionMenu() - это вспомогательный класс, который создает всплывающее меню и кнопку для его отображения.

Canvas() - виджет предоставляет структурированные графические возможности для Tkinter. Это универсальный виджет, который можно использовать для рисования графиков и графиков, создания графических редакторов и реализации различных видов пользовательских виджетов.

Примеры всех используемых виджетов (Рис. 31).

Рис. 32. Пример всех используемых виджетов.

7. Результат работы

Результатом данной исследовательской работы является программное обеспечение. При запуске, которого пользователь может наблюдать главное окно (Рис. 33).

Рис. 33. Главное окно запущенного ПО.

В главном окне пользователь может загрузить 3 различных файла содержащие данные о гене нажав на кнопку <F> перед соответствующим полем: “Secondary structure”, “Epigenetic” или “Primary DNA”. При нажатии на кнопку <F> напротив полей “Secondary structure” или “Epigenetic” откроется окно (Рис. 34) для загрузки файла формата “*.bed”. При нажатии на кнопку <F> напротив поля “Primary DNA” откроется окно загрузки файла, но уже поддерживаемым форматом будет “*.fasta”, а также “*.csv”.

Рис. 34. Пример окна загрузки файлов.

После загрузки всех файлов пользователь должен ввести желаемый коэффициент корреляции между паттернами в поле “Enter correlation:”, выше этого коэффициента будет производится расчет. Далее в поле “Enter step:” пользователем вводиться желаемый шаг подсчета плотности гена. После ввода этих данных пользователь может выбрать шаблон поиска паттернов, по графику вторичных структур ДНК, в виде одного из двух значений <Hollow> (с англ. - впадина) или <Pick> (с англ. - пик) находящиеся в выпадающем списке, по умолчанию стоит шаблон поиска <Hollow>.

По завершению ввода параметров для поиска паттернов пользователь может нажать на кнопку <Find Pattern>, после чего произведется расчет всех найденных паттернов в заданных файлах по заданным параметрам, главное окно выведет графики плотностей двух файлов, файла вторичных структур ДНК в виде графика красного цвета и файла эпигенетических факторов в виде графика синего цвета, также будет выведена информация о найденных паттернах, вид каждого из них, нормализованный вид, номер паттерна, его корреляция, координаты расположения в гене и количество всех паттернов. (Рис. 35).

Рис. 35. Вывод найденных паттернов и обзор всего гена.

В верхней части окна, где присутствует вывод всего гена пользователь, для удобного представления данных, может производить различные действия с помощью тулбара (Рис. 36).

Рис. 36. Тулбар для взаимодействия с графиком.

Функции тулбара:

- Увеличение/уменьшение масштаба вывода графиков;

- Перемещение по графику;

- Сохранение видимой области графика в виде изображения;

- Вывод в строку состояния координаты нахождения курсора, соответственно плотности и номер базовой пары;

- Перемещение по истории взаимодействия пользователя с графиком;

- Возврат в исходное состояние графика.

Пример увеличенного масштаба графика с помощью тулбара (Рис. 37).

Рис. 37. Увеличенный масштаб графика.

Пример окна сохранения видимой области графика в виде изображения (Рис. 38).

Рис. 38. Сохранение видимой области графика.

В нижней части программы пользователь имеет возможность просматривать найденные паттерны в исходном виде и в нормализированном, также можно просматривать параметры паттерна (Рис. 39).

Рис. 39. Паттерн исходный, нормализированный и его параметры.

Пользователь может просматривать различные паттерны с помощью кнопок “<” и “>”. Вывод двух различных паттернов (Рис. 40).

1

Рис. 40. Вывод двух различных паттернов.

Для кластеризации паттернов имеется выпадающий список между кнопок “<” и “>”, в списке можно выбрать три значения: “Класс 1”, “Класс 2”, “Отсутствие класса”, с помощью кнопок <Class No. 1>, <Class No. 2> и <None> соответственно. По умолчанию стоит значение <None> (Рис. 41).

Рис. 41. Выпадающий список классов.

После произведения пользователем кластеризации паттернов ему следует загрузить файл хранящий первичную структуру ДНК в поле “Primary DNA”, а также ввести область классификации в “Classification area:” начало области поиска в поле “Start” и конец в поле “End” (Рис. 42).

Рис. 42. Область ввода данных для классификатора.

Далее пользователь может нажать кнопку <Make classification> для построения модели машинного обучения на основе выбранной им обучающей выборке. Произведется классификация выбранной области с помощь построенного классификатора. Откроется новое окно, в котором выводятся графики выбранной области, а также все паттерны, которые нашел классификатор в данной области. В этом же окне можем наблюдать результат анализа (Рис. 43)

Рис. 43. Окно вывода информации о построенной модели и найденных ею паттернов.

8. Описание вклада каждого участника

В ходе выполнения данной работы Маткаримовым Отабеком Ойбековичем были сделаны следующие задачи:

- разработка алгоритма подсчета плотностей распределения функциональных элементов на хромосоме; рассмотрение основных алгоритмов для решения задачи классификации; изучение специализированных библиотек языка Python; реализация различных моделей машинного обучения на языке Python; исследование качества основных моделей от внутренних параметров алгоритмов построения; проведено описание и исследование метрик для оценки точности алгоритмов машинного обучения; сохранение модели для интеграции с интерфейсом.

В ходе выполнения данной работы Поливода Денисом Эдуардовичем были сделаны следующие задачи:

- проведение обзора существующих программных решений;

- разработка алгоритма нахождения паттернов по плотности распределения функциональных элементов на хромосоме;

- разработка и дальнейшая оптимизация алгоритма расчета параметров;

- рассмотрены и проанализированы существующие методы машинного обучения;

- изучены основы языка Python и специализированные библиотеки расширения Tkinter;

- разработан интерфейс приложения;

- осуществлена интеграция модулей и модели классификации в программе.

Заключение