共有基因模块构建大规模基因调控网络

目的 提出一种利用共有基因模块构建大规模基因调控网络算法(Common Gene Mod-ules Network,CGMN),有效降低传统基因调控网络构建基因节点规模较大的基因调控网络(包含几百个,甚至几千个基因节点)时时间复杂度过大的缺陷.方法 CGMN算法从基因表达数据出发,采用6种常用聚类算法把基因表达模式相似的基因聚类成功能模块,找出6种聚类方法的共有模块,并将其作为功能模块基因节点,采用局部贝叶斯网络(Local Bayesian Network,LBN)算法构建功能模块基因-基因调控网络.结果 与结论 大规模细胞周期基因表达数据集上仿真实验结果表明,搜索共有模块压缩基因节点数目策略,能够有效降低大规模基因调控网络重构时间复杂度,且验证了CGMN算法构建大规模基因调控网络的有效性.     

p53基因调控网络研究进展

肿瘤抑制基因p53表达的p53蛋白是一个通用转录因子,与其上、下游功能相关基因组成了一个复杂的基因调控网络,在这个基因网络中p53基因起着关键作用;DNA损伤、缺氧、原癌基因的激活等均能刺激p53基因表达;p53表达升高后,可通过p53-MDM2反馈环路与泛素系统等对p53表达水平进行精确调节;p53通过调控多种下游/靶基因表达完成多种生物学功能,主要包括阻滞细胞周期、促进细胞凋亡、维持基因组稳定性等;认识p53基因调控网络的功能有助于理解p53及其下游/靶基因间的具体作用机制。     

一种基于广义相似性的共调控基因聚类算法

针对共调控基因的特殊性质和现有共调控基因聚类算法存在的不足,提出了基于广义相似性的聚类模型g-Cluster.正负共调控基因因具有相同的编码而被聚集到同一个共调控基因簇中.进一步提出了一种基于树结构的聚类算法FBTD,采用先宽度优先后深度优先的搜索策略,挖掘所有符合条件的最大g-Cluster,同时应用了高效的削减规则和优化策略.将该算法用于真实数据集.理论分析和实验结果都表明,该算法是实用和有效的.     

基于改进贝叶斯方法的基因调控网络构建

为了研究基因之间的复杂调控关系,使用贝叶斯网络模型来构建基因调控网络,针对以往单一贝叶斯网络模型结构学习算法精度低的问题,提出一种结合信息论构建初始网络并在该网络上进行评分搜索的基因调控网络学习方法,使用最大信息系数筛选有较高关联性的节点构建初始网络以提高解的质量,在评分搜索中使用禁忌搜索和BDe评分训练生成最终网络。之后在一组单细胞的蛋白质因果表达网络数据和大肠杆菌表达网络数据上进行构建基因调控网络实验,并在不同数据量,不同性能指标上与其他网络构建算法进行对比。实验结果表明,构建方法在不同规模的数据集上的有效性和准确率优于用于对比的其他算法。     

用FCM聚类和非参数回归方法推断基因调控网络

采用FCM方法对基因表达的微阵列数据进行聚类分析,应用核回归和PP回归相结合的方法设计预报器,利用决定系数遴选父代基因集合.将这种新的组合设计方法的分析结果与相关文献的结果进行对比分析,得出了较好的推断结果;可以将这种组合方法运用于致病基因簇的搜寻.     

一种共调控基因聚类的新方法

定义了一种基于滑动匹配的相似度, 并在此基础上提出一种能够自适应确定聚类数目的全局K-均值算法, 解决了现有共调控基因聚类方法无法考虑到基因的正反、 延时、 部分时间和差异表达全部4种共调控关系的问题. 将提出的算法应用于微阵列数据中, 并将实验结果与CLUSTER 3.0算法进行了比较, 验证了算法的可行性和有效性.     

一种采用新的相似性度量方法的共调控基因动态模糊聚类算法

针对基因间共调控关系的特点和现有共调控基因聚类分析方法的不足,提出一种基于广义信息论中二次互信息的广义相似性度量标准QMISM,并利用免疫遗传算法将高维样本映射到二维空间,进而实现动态模糊聚类和聚类结果可视化.对人工合成数据和真实的基因表达数据的实验结果表明,该算法能得到更好的聚类结果.     

一种基于分数阶微分方程模型的基因调控网络构建方法

考虑到实际生物系统的非线性特性,提出了一种基于分数阶微分方程模型构建基因调控网络的新方法,采用模型预测数据与实际数据的逼近误差为目标函数,通过人工鱼群优化算法辨识分数阶微分方程模型的阶次和参数,并引入自适应步长,保留精英个体和增加种群多样性等策略提高算法的进化能力。对真实生物实验数据的结果表明,该方法能够较准确的辨识出模型参数,得到的分数阶微分方程模型与实际数据吻合程度较高。     

一种改进的谱聚类算法及其在基因表达谱分析中的应用

聚类分析是从基因表达谱数据中提取生物医学信息的主要方法之一.针对传统谱聚类算法无法确定聚类个数的问题,提出一种改进的谱聚类算法并将其应用于基因表达谱聚类分析.首先用基因表达谱数据构造Laplacian矩阵,经特征值分解后得到相应的特征值和特征向量,用谱隙来描述相邻特征值的差值;然后通过寻找谱隙序列的最大值来确定聚类个数;最后从单位化的特征向量着手实现数据类别的划分.通过模拟数据与癌症数据的实验,证明了该文算法的有效性.     

基因调控网络研究进展

基因调控网络是一种连续而复杂多变的动态网络系统,是细胞内各种信号因子之间相互作用关系的整体表现.近些年来,很多物种全基因组测序的完成、高通量实验技术的发展以及高性能分子生物学工具的应用,使得构建一个复杂和相对完整的基因调控网络成为可能,从而使绘制整个活细胞内各种基因表达的调控网络成为当前研究的热点.作为系统生物学的核心领域,构建和分析基因调控网络将有利于我们更系统地剖析细胞的功能,更深刻地洞见生命的本质.综述关于基因调控网络研究的基本原理和方法,为今后进行更深入的研究和探讨打下良好的基础.     

基于SOM网络的基因表达数据聚类分析

提出了用自组织映射(SOM)网络对生物信息学中基因表达数据进行聚类分析的方法。用SOM网络对酵母基因表达数据进行聚类。通过对映射结果的分析,表明SOM网络有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

用于基因调节网络建模的概率布尔型基因网络结构分析

基于Iyla Shumlevieh提出的概率布尔型网络(PBN)模型，讨论了概率布尔型网络PBN的结构分析问题．依据PBN网络模型中任意两基因之间量化了的相互影响，对基因调节网络图进行分割，得到各自独立的子网络．同时，依据一定规则找到对网络的稳定性起决定作用的关键基因，通过对关键基因的状态分析，并扩展到整个网络，最终确定PBN的状态．     

边排序贝叶斯网络结构学习算法应用于基因调控网络构建

提出一种基于多数据源融合思想的贝叶斯网络结构学习算法.该方法在现有贝叶斯网络结构学习算法的基础上,进行网络结构再学习,能有效处理不同数据源无法简单合并的问题.实验结果表明:在现有基因芯片数据节点数过多但数据量过少的前提下,该算法能有效提高建网精度;基于酿酒酵母细胞周期对不同实验条件下的表达数据进行融合,可以将正确率提高约12%.     

多元回归分析方法应用实证分析与比较

利用多元统计分析的线性回归分析理论,首先对糖尿病临床采集数据进行相关分析,了解因素之间的相关关系,其次分别采用线性回归的前进法、后退法、逐步回归分析方法,探讨糖尿病病人胰岛素每日注射初始剂量与其影响因素之间的线性关系.根据回归方程调整相关系数、AIC准则等,对比选择最优应用回归模型,确定胰岛素用量及其主要影响因素血糖、尿蛋白的回归模型,对医生临床治疗提供参考.     

求解多元多重线性回归系数的BP算法

提出了一种基于SCNN的求解多元线性回归系数的改正的BP算法.该算法的基本思想是先将回归系数的估计转化为求相应线性方程组的最小二乘解;然后用BP算法求得方程组系数矩阵的左逆阵,得到方程组的解.算法中不存在除法运算,且便于在计算机上实现.     

基于支持向量回归机和B样条网络回归曲线建模算法

将改进的支持向量回归机与B-样条网络相结合,提出了一种建立回归曲线模型的新算法。实验仿真结果说明了这种算法是可行和有效的。     

基于糖尿病与民族因素的多元线性回归分析

基于多元线性回归分析的理论,对糖尿病发病人数与民族因素之间的多元线性关系进行探讨,并建立他们之间相关的回归方程.最后,对所得到的回归方程进行显著性检验.     

基因表达系列分析在肿瘤研究中的应用

基因表达系列分析(serial analysis of gene expression, SAGE)是一种快速分析基因表达信息的技术.它不但能快速、详细地分析成千上万个基因,还能发现新基因,因此是基因表达定性和定量研究的一种新的有效手段.近年来此技术广泛应用于肿瘤的研究,了解肿瘤发病机制,识别诊断和治疗肿瘤的新基因.可以预测SAGE在肿瘤研究和诊断过程中的应用将会对肿瘤的认识和治疗产生深远的影响.     

数据转换与Excel软件在多元非线性回归分析中的应用

应用Excel软件的数据分析工具来处理形式经过适当转换的试验数据，建立多元非线性回归方程，有利于简化数据采集过程并能大幅度提高数据处理效率，降低试验成本。