基于动态贝叶斯网构建基因调控网络
基因调控网络建模的数学方法
基因调控网络建模的数学方法基因调控是生物体内调整生长、发育和相应环境变化的重要机制。
基因表达的调控通常由一个复杂的基因调控网络（gene regulatory network, GRN）来实现。
在过去的几十年中，随着基因芯片技术和高通量测序技术的发展，越来越多的基因调控网络被构建出来，这为人们研究生物体内基因表达的调控机制提供了很好的手段。
然而，如何建立和分析这些基因调控网络仍然是一个挑战性的问题。
因此，开发数学方法来建模和分析基因调控网络是非常重要的。
本文将讨论几种常见的基因调控网络建模方法。
1. 布尔网络布尔网络是描述离散状态系统的数学模型。
在这种模型中，每一个基因的状态只有“on”和“off”两种可能性，它们的状态转换关系可以用布尔函数来描述。
这些函数可以根据实验数据来确定。
这样，通过构建布尔网络，我们可以模拟基因调控网络的动态过程，从而预测某些基因的表达模式。
2. 差分方程模型差分方程模型是一种连续状态系统的数学模型。
在这种模型中，每一个基因的表达可以视为一个连续函数关于时间的变化，它的变化率与其他相互作用的基因有关。
通过建立差分方程模型，我们可以利用微积分的方法推导出基因调控网络的时间演化规律，从而更准确地预测基因表达的变化趋势。
3. 贝叶斯网络贝叶斯网络是一种概率图模型，它可以用来描述基因调控网络中各个基因之间的概率关系。
在这种模型中，每个基因的表达状态被视为一个节点，基因之间的关系被视为一个有向边。
通过确定基因之间的概率关系，我们可以预测某些基因表达的概率分布，从而更准确地预测基因表达的变化趋势。
4. 矩阵分解模型矩阵分解模型是一种将高维矩阵分解为低维矩阵的数学方法。
在基因调控网络中，可以利用这种方法将基因表达数据矩阵分解为两个低维矩阵，一个表示基因之间的相似度，另一个表示基因的表达模式。
通过这种方法，我们可以更好地理解基因之间的相互作用关系，为进一步研究基因调控网络提供更准确的信息。
基于改进SEM算法的基因调控网络构建方法
（ 合肥 工业大 学 计 算机 与信 息学院 ， 合肥 ２００ ） ３０９
摘 要 ：动 态贝叶斯 网络 （ Ｂ 是基 因调控 网络的一种 有 力建模 工具 。 贝叶斯 结构 期望 最 大算法 （ Ｅ 能较 Ｄ Ｎ） Ｓ Ｍ）
好 地处理构 建基 因调控 网络 中数据 缺失 的情 况 ， Ｓ Ｍ 算法 学 习的结 果对初 始 参数 设置 依赖 性 强。针 对此 问 但 Ｅ
ｉ ｔ ｌｐ ｒｍｅｅ ｏ ｅ ｅ ｕｅ ｂ ｓｃＳＥＭ ｌ ｏ ｔ ｎｉａ ａａ ｔｒｔ ｘ ｃ ｔ ａ ｉ ｉ ａｇ ｒ ｈｍ ｆｅ ｔｒ ｔｖ ｏ ｅ ｓ Ｃｏ ｉ ａｔｒａ ｉｅａｉ ｅｐｒｃ ｓ ． ｍｐａｉ ｅ ｅ ｌ ｔ ｎ ｎ ｔ ｒ ｏ ｔｕ ｔｄ ｗｉｈ ｒｎｇ ｇ ｎｅ ｒｇ ａｉ ｅｗｏ ｋ ｃ ｎｓｒ ｃｅ ｔ ｕ ｏ
ｒｔｍ ．ｗ ｉｈ ｒｎ ｏ ｙ ｇ ｎ ｒ ｔｄ ａ ｎ ｍｂ ｒｏ ａ ｄｄ ｔ ｎｔ ｌ ａａ ｔｒ ｎ ｅｅ ｔ ｄ ｔ ｅ ｂ ｓ ａ ａ ｔｒａ ｈ ｌ ｄ ｌ Ｓ ｉ ｈ ｈ ｃ ａ ｄ ｍｌ ｅ ｅ ａｅ ｕ ｅ ｆｃ ｎ ｉａ ｅ ｉｉ ａ ｒ ｍｅｅ ｓ ａ ｄ ｓ ｌ ｃｅ ｅ ｔｐ ｒ ｍｅｅ ｓｗ ｏｅ ｍｏ ｅ ’ ｉ ｐ ｈ
中图分类号 ：Ｔ １ １ Ｐ ８ 文献标志码 ：Ａ 文章编 号 ：１０ —６ ５ ２ １ ） ２ ０ ５ － ３ ０ １ ３９ （０ ０ ０ —４ ０ ０
ｄｉ１ ．９ ９ ｊｉ ｎ １０ ．６ ５２ １ ．２ ０ ２ ｏ：０ ３ ６ ／．ｓ ．０ １３ ９ ．０ ０ ０ ． １ ｓ
Ｍｅｈ ｄ ｆｒｍｏ ｅｉｇ ｇ ｎ ｅ ｕａｉｎ ｎ ｔ ｒ ａ ｅ ｎ ｔｏ ｏ ｄ ｌｎ ｅ ｅ ｒｇ ｌｔｏ ｅｗｏ ｋ ｂ ｓ ｄ ｏ
贝叶斯网络模型用于基因调控网络再构建分析
贝叶斯网络模型用于基因调控网络再构建分析基因调控网络（gene regulatory network）是描述基因间相互作用的一种拓扑结构模型，它能够帮助理解基因表达调控的复杂机制。
然而，真实的基因调控网络往往由于实验和技术限制，无法完整地被观察到。
贝叶斯网络模型作为一种强大的数据驱动方法，能够从大规模基因表达数据中推断基因调控网络的结构和参数。
本文将介绍贝叶斯网络模型在基因调控网络再构建分析中的应用。
贝叶斯网络模型是一种概率图模型，其基本假设是基因之间的关系可以通过概率分布来描述。
在基因调控网络再构建分析中，贝叶斯网络模型可以根据基因表达数据推断出基因之间的条件依赖关系。
具体而言，贝叶斯网络模型可以通过计算每对基因之间的条件概率来估计基因之间的影响关系。
通过这种方式，可以确定哪些基因对其他基因具有调控作用，以及调控的方向和强度。
在基因调控网络再构建分析中，贝叶斯网络模型通常需要经过一系列的数据预处理和模型建立步骤。
首先，需要对基因表达数据进行归一化和筛选，以确保数据的准确性和可靠性。
然后，根据预处理后的数据，可以使用贝叶斯网络模型进行网络结构建模。
常见的贝叶斯网络模型包括贝叶斯网络（Bayesian network）、动态贝叶斯网络（Dynamic Bayesian network）等。
在进行贝叶斯网络模型建模时，需要考虑以下几个关键问题。
首先是网络拓扑结构的确定，即确定基因之间的连接关系。
这可以通过评估基因之间的条件概率来实现。
其次是参数的估计，即确定基因之间的调控方向和强度。
这可以通过最大后验概率估计（Maximum A Posteriori Estimation）或贝叶斯推断（Bayesian inference）等方法来实现。
最后是模型的评估和验证，即通过交叉验证等方法评估模型的准确性和可靠性。
贝叶斯网络模型在基因调控网络再构建分析中具有许多优势。
首先，它能够从大规模基因表达数据中提取有用的信息，揭示基因之间的调控机制。
基因表达调控网络的解析及其应用
基因表达调控网络的解析及其应用基因表达调控网络是生物学研究中一个重要的研究领域，其在生物学、医学、生物工程等领域都有着广泛的应用。
基因表达调控网络包括基因、非编码RNA、蛋白质、代谢物等多个分子水平，涵盖了调控、信号传递等多个生命网络。
本文将着重介绍基因表达调控网络的解析及其应用。
一、基因表达调控网络解析1、基因表达调控网络的建立基因表达调控网络的建立可以通过多个方法，例如: 基于转录因子/靶基因数据、基于组蛋白修饰数据、基于DSB-seq、DNase-seq、ATAC-seq等数据，以及基于单细胞转录组学数据等。
2、调控元件预测调控元件预测可以通过多种方法，例如: 基于转录因子结合位点、组蛋白修饰、DNA甲基化等方法，以及通过机器学习和深度学习等方法。
3、基因共表达网络建立基因共表达网络可以通过表达物整合、数据聚类等多种方法来建立。
基因共表达网络的建立可以揭示不同的调控子网络、遗传路径。
4、基因调控网络的建立基因调控网络可以通过结合基因表达数据、转录因子结合位点、基因共表达网络等多个数据来建立。
基因调控网络的建立可以揭示不同的调控子网络、遗传路径。
二、基因表达调控网络的应用1、疾病分类基因表达调控网络的疾病分类包括多种类型，如: 基于单细胞转录组学数据的多种疾病分类，基于癌症的疾病分类等。
2、预测调控元件预测调控元件的方法可以通过基于转录因子结合位点等，通过机器学习和深度学习等方法来预测。
3、分析基因表达调控网络和疾病相关的谷物调控基因表达调控网络和疾病相关的谷物调控，包括基因组选择、谷物转录因子和非编码RNA的功能调查等，验证了基因组和调控过程的生物学意义，使我们更好的理解了其组织发育，并为其改良和研发金利草提供理论依据。
4、新药研发基因表达调控网络在新药研发中的应用，包括通过基因调控网络发现新药靶标、通过基因共表达网络发现新药靶标、通过计算化学和多肽库设计等方法设计药物等。
结论基因表达调控网络是一个复杂的生物网络，其的建立和应用是生物学研究中一个重要的研究领域，解析基因表达调控网络可以帮助我们更好的理解生物学过程，并为其在医学、生物工程等领域的应用提供了理论依据。
基因调控网络模型研究综述
基因调控网络模型研究综述作者：刘超李雨通吕昌旗李房玉夏珺来源：《数字技术与应用》2015年第02期摘要：基因调控网络的研究从基因之间相互作用相互影响的角度道出的生命现象，既是现在生物信息学研究的前沿，又是研究功能基因组学的主要内容。
本论文主要论述了基因调控网络模型研究的目的意义，介绍了主要几种模型的研究现状，同时介绍基因调控网络发展过程中存在的一些问题。
这类看法也能够用在指导生物实验室的相关研究，应用可以扩散到医学领域，在生物信息学分子层面开发靶基因能够最大影响药物的作用。
关键词：基因调控网络微分方程模型贝叶斯网络模型中图分类号：R394 文献标识码：A 文章编号：1007-9416（2015）02-0000-001目的意义基因调控网络模型研究，是在某一范围内使用特定的系统方法和模型将有关的数据实施分析和构建，然而并不是单一的某几个基因活某个基因单独表达和单纯表达集合。
用这种观点来研究基因调控网路构建模型，研究基因间相互作用与相互影响关系是怎么样通过控制与优化来分析和研究生物体中的现象，特别是研究形成疾病原因等问题都有很大的帮助。
同时也有利于了解生物细胞内基因组和基因内所有基因及它的相关产物间的代谢和基因调控网络的作用关系。
这类看法也能够用在指导生物实验室的相关研究，应用可以扩散到医学领域，在生物信息学分子层面开发靶基因能够最大影响药物的作用。
2研究现状到目前为止，出现了很多基因调控网络的模型研究，它们具有不同的分类方法。
有离散网络模型，比如布尔网络模型；连续网络模型，例如CorrelationMetric Construction，Arkin and Ross CMC；随机网络模型，例如PBN，Probablistic Booleannetwork；确定型网络模型，例如the nonlinear model of weaver，the nonlinear model of haeselee等；定量网络模型与定性网络模型等。
贝叶斯网络方法在基因调控研究中的应用
这些 方法 中 ， 表 达 网络是 最为 简单 的一种 模 型 ， 共 贝叶 斯 网络则 是最 为 复杂 的一种 模 型 。共 表达 网络 是通 过
率是 ０ ００ １现在我们假设其祖父 的 ｘ基 因为突变 。００ ； 基因 ， 那么其父亲出现这一基 因突变的概率是 ０ ５ 儿 ．，
子关 于这一 基 因 出现 突 变 的概 率 应 是 ０ ２ 。但 是 假 ．５ 如 我们 知道 了父 亲携 带 了这 个 突 变 基 因 ， 么儿 子 出 那
流 动 的 血 红 细 胞 数 据 中 ， 立 了 一 个 蛋 白 信 号 网 建
络 Ｊ ａｓｎ则将 其 应 用 到蛋 白调 控 网络 中 ， 且 通 。Ｊｎｅ 并
贝叶斯 网络是一个非循环 的因果 网络图（ Ａ ） Ｄ Ｇ ，
在这 个 网络 图中有两 个参 数 ， Ｇ 和 ０ 即 。其 中 Ｇ 表示
Ｐ ＸＩ ， （ Ｙ Ｚ）＝ Ｘｌ ） Ｐ（ Ｙ （） １ 贝 叶斯 网络将 这种 调控关 系用 图形 表示 出来 就是
由于 贝 叶 斯 网 络 是 一 种 因 果 关 系 模 型 ，自从 Ｆｉ ｍａ （００ 和 Ｈ ｒ ｍｉｋ等 （０ １ 将 贝叶斯 网络 ｒ ｄ ｎ ２０ ） ｅ ａｔ ｎ ｅ ２０ ） 应用 到基 因调 控 网络 的重 构 中后 ， 叶斯 网络 在 生 物 贝 学上 的应 用 越 来 越 广 泛 ， 多 文 章 发 表 在 Ｓｉ ｃ 很 ｃ ｎｅ和 ｅ Ｎａ ｒ 等 一些 有影 响力 的杂 志上 。贝叶斯 网络 也被 认 ｕ ｔｅ
ｘ 。贝叶斯网络图可表示为 Ｇ＝ ｘ， ）其 中ｘ （ Ｅ ，
表示 一 系列 的 节 点 ， 就 是 各个 待 分 析 的变 量 ，Ｅ表 也 示 每一对 节 点 ｘ—ｙ的连 线 ， 因果 网 络 图 中 Ｅ表 示 在 ｘ＋ ＿ ｙ的连线 ， 就是从 ｘ到 ｙ的连线 。 也
基因调控网络的建模和分析方法
基因调控网络的建模和分析方法一、引言基因调控网络是生物学研究中非常重要的一部分。
它描述了基因之间相互作用的复杂网络，从而形成了一个生命体系中细胞的运作方式。
基因调控网络的研究不仅可以揭示基因的功能和调控机制，还可以深化人们对生命体系的理解。
因此，基因调控网络的建模和分析方法是当前生命科学中颇有前景的研究领域。
二、基因调控网络的概述基因调控网络是由基因和转录因子之间相互作用构成的复杂网络，它是细胞内基因表达的调节机制。
基因调控网络可以分为转录因子与核苷酸序列相结合，因而影响基因表达水平的转录调控网络和转录因子之间相互作用以调控基因表达模式的蛋白调控网络。
基因调控网络分析的目标在于揭示基因间的关系以及在整体网络层面上的调控机理。
在此基础上，可以进一步对某些特定基因的表达进行预测和干预。
三、基因调控网络的建模方法基因调控网络的建模方法是生物信息学领域中的重要方法之一。
它根据基因表达数据和相关的生物信息学数据，将基因和转录因子之间的相互作用建模为一个复杂网络。
常见建模方法包括基于微阵列或RNA测序技术的共表达网络，基于转录因子与基因间的互作数据的转录因子调控网络和机器学习技术的预测模型。
共表达网络是基于基因表达模式之间的相关性建模出来的网络，其中每个节点代表一个基因，每条边代表两个节点之间的相关性。
共表达网络的构建和分析可以通过基本的图论思想来完成。
转录因子调控网络则是通过转录因子与基因之间的物理相互作用信息建模出来的。
其中每个节点代表一个基因，每条边代表一个转录因子与一个基因之间的联系。
机器学习技术的预测模型是将先前获得的基因数据和相关的生物信息学数据作为输入，并建立预测模型，以预测新数据的基因表达量等数据信息。
四、基因调控网络的分析方法基因调控网络的分析是为了发现网络中的特点和规律，进一步解释基因调控网络在生物体系中的作用。
基因调控网络的分析方法包括网络拓扑结构分析、模块发现、基因挖掘和网络优化等。
基因调控网络的建模及其应用
基因调控网络的建模及其应用近几年来，生命科学领域取得了很多重大的突破，其中基因调控网络是一个热门的研究方向。
基因调控网络是指一组相互作用的基因，它们能够协同调节细胞内基因的表达，从而决定生命的发展过程。
研究基因调控网络，有助于深入了解生命的本质，预测疾病的发生和发展，为医学研究提供理论依据。
在这篇文章中，我们将探讨基因调控网络的建模及其应用。
一、基因调控网络的建模基因调控网络是由一组相互作用的基因所组成的，它们能够协同调节细胞内基因的表达。
基因调控网络的建模，就是研究如何将这些基因和它们之间的相互作用关系表示为一个数学模型。
这个模型能够对基因调控网络的结构和功能进行描述和预测。
基因调控网络的建模方法有很多种，其中比较常用的是基于生物学实验数据的建模方法。
这种方法的基本思想是利用实验数据来推断基因的相互作用关系，从而构建基因调控网络的模型。
目前，生物学实验数据主要包括基因表达数据和基因互作数据。
基因表达数据是描述基因表达量的实验数据，它能够反映基因在不同环境下的表达水平。
基因互作数据是利用生物学实验技术来鉴定基因之间的相互作用关系。
这些数据的分析和处理，需要一些数学和计算机科学的方法，如回归分析、贝叶斯网络、神经网络等。
基于生物学实验数据的基因调控网络模型具有一定的局限性，因为它们仅仅反映了一个特定的生物体或细胞类型中的基因调控网络。
此外，实验数据本身也存在一定的噪声和误差。
针对这些问题，研究人员开发了各种不同的建模方法，如整合模型、物理模型、拓扑模型等。
二、基因调控网络的应用基因调控网络的应用非常广泛，其中最重要的应用领域之一是疾病诊断和治疗。
研究表明，基因调控网络异常与许多人类疾病的发生和发展密切相关。
因此，针对基因调控网络进行研究，有望开发出更有效的疾病治疗方法，提高生命质量和健康水平。
基于基因调控网络的疾病诊断和治疗，充分利用了现代医学和计算机科学的优势。
这种方法需要对疾病样本进行基因表达谱分析，以识别基因调控网络中的异常节点，并预测疾病的发生和发展趋势。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
146
生 物医 学工 程研 究
第 27 卷
网络分为静态贝叶斯网络 ( bayesian networks: BN) 和 动态贝叶斯网络( dynamic bayesian networks: DBN) 两 种方法。静态贝叶斯网络适用于处理无时序信息的 芯片表达数据, 动态贝叶斯网络方法适用于处理有 时序信息的 数据。Murphy 与 Mian
n
首先将 动态贝
叶斯网络方法应用于时序表达数据模型构建。Kim [ 5] 和 Imoto 等系统分析了离散和连续的 DBN 模型以 及模型的评价标准。 Perrin 等
[6]
提出了由于数据缺
失导致系统不完全可观情况下采用 EM 算法构建网 络的方法。这些工作均将同一时刻中基因间的调控 关系与相邻时刻的调控关系结合在一起建立模型 , 这样建立调控网络模型存在很多问题, 计算量大, 结 构不稳定 , 准确度不高, 并且由于贝叶斯网络存在有 向无环图的前提 , 无法对生物过程中反馈等循环调 控进行描述, 因此需要对目前的方法进行改进。 我们根据贝叶斯度量可分解性质 , 将时序基因 调控网络分为初始网络与转移网络分别构建, 并将 静态贝叶斯网络寻优算法中的最大权重生成树算法 ( maximum weight spanning tree, MWST ) 与贪婪搜索算 法( greedy search, GS) 相结合, 移植入动态网 络中进 行网络寻优 , 这样不仅克服了贝叶斯网络前提是有 向无环图的缺陷 , 可以对基因的反馈等循环调控进 行建模, 也从规模上简化了网络构建问题, 明显缩短 学习时间 , 网络结构更加稳定。
T
, X[T ])= ( 3)
P B 0 ( X [ 1] ) t ! X [ t + 1] X [ t ] ) = 1
第3 期
强
波 , 等 : 基于动态贝叶斯图 ( a)
( a) 初始网络 ; ( b) 转移网络 The illustration of DBN ( a) init ial network; ( b) t ransf erring network
( 1)
为确定以上的联合概率, 需要确定所有( 1) 式中出 现的条件概率, 所有这些条件概率组成了参数向量集 。而贝叶斯网络的核心就是通过将这种条件独立关 系解释为因果关系, 并用以表示基因间的调控关系。 DBN 模型则是将这 种表述扩展到 模型化含时 间因素的随机过程。为了用 BN 表述 随机过程, 需 要得到随机变量 Xi [ 1] , Xi [ 2] , , Xi [ n ] 上的一个 概率分布, 但这样的分布是十分复杂的。因此, 为了 对复杂系统进行研究并建立相应的模型 , 需要做一 些假设和简化处理。假设条件概括如下: ( 1) 假设在一个有限的时间内条件概率变化过 程对所有 t 是一致平稳的; ( 2) 假设动态概率过程是马氏 ( Markovian) 的 , 既 满足:
2. 3
动态网的优势 贝叶斯网络的前提是有向无环图, 因此无法描述
图 2( a) 中如 X 1 ∃ X 2 ∃ X 5 ∃ X 1 的环状反馈结构 , 但 是在生物过程中包括很多像反馈这样的循环调控过 程, 因而静态贝叶斯网络在描述调控模型上有很大的 限制, 动态贝叶斯网络考虑时间因素后, 通过划分时 间点 , 可以将上述反馈调控做如图 2( b) 中 X 1( t ) ∃ X 2( t + 1) ∃ X 5( t + 2) ∃ X 1( t + 3) 形式的描述。因此 动态网络对反馈调控的描述优于静态网络。 2. 4 动态网络贝叶斯度量的可分解性 在 BN 的理论中 , 网络
1
引
[ 2]
言
[ 1] [ 3]
定性研究基因调控网络 , 是一种粗糙的简化模型; 而 后者在量上通过精细的数学分析来描述生物过程, 但 缺乏抗噪音能力, 计算量大 , 鲁棒性能不佳。而贝叶 斯网络模型可以看作是两个极端的折衷。 根据处理的基因表达数据类型的区别, 贝叶斯
目前构建基因调控网络主要有布尔网络 、 微分 方程 、 贝叶斯网络 等方法。布尔网络与微分方程 从两个截然相反的角度来剖析基因调控网络: 前者是
[4]
网络结构的算法称为 DBN 的网络结构学习。近年 来很多学者开始研究如何从大量样本中挖掘 BN 网 络结构 , 并提出了很多学习算法 , 由于 DBN 与 BN 的 相似性与关联性, 这些学习算法的很多思想可推至 DBN。 2. 2 X 2, 从静态网到动态网 对于一个 BN 图, 若记随机变量集为 , X = { X 1 , X N } , X i 代表 途中的对应节点 , Pa ( X i ) 代表 Xi 节点的父节点集。在 t 时刻的 X i 表示为 X i [ t] 。 在 BN 理论中 , 一个 BN 是一个包含了在 X 上联合概 率分 布 的有 向 无 环 图 G。图 中 的 每 个 结 点服 从 Markove 假设 : 即每个变量 Xi 给定在 G 中的父结点 前提下 , 独立于它的非子结点。 BN 指定集合 X 中唯一的联合概率分布如下 : P ( X 1, X n ) = !i - 1 P ∀X i Pa ( X i ) #
N
( 2)
就是说未来时刻的概率只与当前时刻有关而与 过去时刻无关。 ( 3) 假设相邻时间的条件概率过程是平稳的 , 即 P ( X [ t + 1] X [ t ] 与时间 t 无关, 可以容易地得到不 同时间的转移概率。 基于以上假设, 建立在随机过程时间轨迹上的联 合概率分布的 DBN 就由两部分组成: 一个先验网 B 0 , 定义在初始状态 X [ 1] 上的联合概率分布; 一个转移 网 B ∃ , 定义在变量 X [ t ] 与 X [ t + 1] 上的转移概率 P ( X [ t + 1] X [ t ] ( 对所有的 t 都成立) , 见图 1。 由此可得 DBN 模型的联合分布概率为: P ( X [ 1] , X [ 2] ,
Constructions of Gene Regulatory Networks based on Dynamic Bayesian Network
( QIANG Bo, WANG Zhengzhi
( College o f Mechatronics Engineering and Automation National University o f Def ense Technology , Changsha 410073, China ) Abstract: Dynamic Bayesian network ( DBN ) is an important approach for predicting the gene regulatory networks from time course expression data. However, three problems greatly reduce the effectiveness of current DBN methods, including long computational time, instable structures, and low accuracy. According to the property of decomposability of DBN, we divided DBN into initial network and transferring network, and combined Maximum Weight Spanning Tree algorithm ( MWST) and Greedy Search( GS) algorithm both based on BN, then transplanted the mixed algorithm into DBN, to build the gene regulatory network model. We presented a gene regulatory network- building approach based on temporal expression data. Unlike previous DBN methods, our approach can described cycle- regulation among genes, and reduced the computational time in modeling the network. We verify the effectiveness of our approach by consulting the corresponding experiment articles, and reduce the computational time in learning network, finally get more stable structures. Key words: Temporal expression data; Dynamic Bayesian network; Measurement dividable; Maximum weight spanning tree algorithm; Greedy search algorithm ; Gene regulatory network
生 物医学 工程研 究 Journal of Biomedical Engineering Research 2008, 27( 3) : 145~ 149
基于动态贝叶斯网构建基因调控网络
强波, 王正志
( 国防科技大学 机电工程与自动化学院七队 , 长沙 410073)
*
摘要 : 动态贝叶斯网络 ( dynamic bayesian network, DBN) 是一种基于时序表达数据构建基因调控网络的重 要方法。 然而目前的 DBN 方法因计算时间太长, 结构不稳定, 准确度低, 对有效性有很大影响 。根据动态贝 叶斯网络的度量可分解性质, 将动态贝叶斯网络分为初始网络与转移网络分别进行结构寻优 , 在寻优时将基 于静态贝叶斯网络的最大权重生成树算法与贪婪搜索算法相结合, 移植入动态贝叶斯网络中 , 建立基因调控 网络模型。 提出了一种从时序数据中构建基因调控网络的方法, 克服了贝叶斯网络不能描述循环调控的缺 陷, 也从规模上简化了网络构建问题。 通过与相关实验文献的对照, 验证了提出方法的有效性 , 网络学习时 间明显缩短, 网络结构更加稳定。 关键词: 时序表达数据; 动态贝叶斯网络; 度量可分解; 最大权重生成树算法; 贪婪搜索算法; 基因调控网络 中图分类号 : Q811. 4; TP31. 9; R318 文献标识码: A 文章编号: 1672 6278 ( 2008) 03 0145 05