بیش از صد سال است که مگس سرکه (Drosophila melanogaster) به عنوان یکی از محبوب ترین موجودات آزمایشگاهی در تحقیقات زیستی استفاده می شود. در ابتدا از مگس سرکه در مطالعات ژنتیک استفاده می شد، اما مدت زیادی طول نکشید که در بررسی های بنیادی عالم حیات از اکولوژی گرفته تا علوم اعصاب به کار گرفته شد. بسیاری از یافته های مهمی که امروزه در مورد چگونگی تکوین و بیماری های مختلف انسان می دانیم حاصل تحقیقاتی است که بر روی مگس سرکه صورت گرفته است. یکی از زمینه های تحقیقاتی مهم در این زمینه بررسی شبکه شکافت ژنی مگس سرکه است که با پیکر بندی در تکثیر ارگانیسم اولیه آن در ارتباط است. این فرایند یک سیستم فضا- زمانی است که مبین تکامل پروتئین در گذر زمان است و در قالب یک معادله واکنش-انتشار مدلسازی شده است تا مطالعه آن به سهولت و دقت بیشتر امکان پذیر گردد. پدیده شکافت ژنی مگس سرکه که توسط مدل ریاضی واکنش-انتشار توصیف می شود به منظور انعطاف و تطابق بیشتر با پدیده موردنظر بعد از مدل سازی به معادلات عملگری پارامتری تبدیل خواهد شد. این معادله عملگری دارای دو پارامتر نامعین باعنوان نرخ کاهش و نرخ انتشار می باشد. یکی از روش های کارآمد و موثر که در دهه های اخیر به طور گسترده ای برای مواجهه با این معادلات استفاده می شوند، استفاده از فرایندهای گاوسی می باشد.فرایندهای گاوسی به عنوان یک روش ناپارامتری مبتنی بر هسته به انتخاب نوع هسته وابسته می باشد و از آنجا که موضوع تعیین دقیق نوع هسته متناسب با هر مسئله یک موضوع باز است معمولا یک خانواده پارامتری از هسته ها را به عنوان هسته مورد نظر انتخاب می کنند. بنابراین چه در فرایند مدل سازی و چه درفرایند تقریب شاهد وجود چندین پارامتر هستیم. چنانچه داده های آموزشی مفروض باشند با استفاده از رگرسیون فرایند گاوسی به یادگیری پارامترهای مجهول مدل و روش در فرایند گاوسی مورد مطالعه خواهیم پرداخت. از طرفی در فرایندهای گاوسی، پس از یادگیری پارامترها با استفاده از تکنیک های بهینه سازی تابع درستنمایی، قادر خواهیم بود به پیشگویی عملگرها با رویکرد بیزی بپردازیم. بر اساس این پیشگویی ها بدون آنکه به شبکه بندی ناحیه حل مساله نیازی داشته باشیم قادر خواهیم بود تقریب های مناسبی از تابع جواب را بدست آوریم. به علاوه با استفاده از مزیت های رویکرد احتمالی موجود در فرایند گاوسی، به ن
