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。     

基于时序互信息构建基因调控网络

为构建基因调控网络,提出了一个基于时序互信息学习动态贝叶斯网络结构的学习算法.在计算基因间的时序互信息时,该算法考虑了时间序列微阵列数据的时间特性,并利用协方差矩阵计算互信息,没有将基因表达数据离散化,与基因表达数据的连续性相符合.在酵母菌周期细胞的实验数据上测试该算法,灵敏度为66.7%;该算法构建的基因调控网络与KEGG数据库中的网络相比较,发现了Cdc28与Cdc20、Chk1与Rad9的调控关系,这些调控关系在相应的生物学实验中得到验证.     

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.     

基因调控网络的父节点筛选贝叶斯建模方法

在构建基因调控网络的方法中,贝叶斯网络模型可以直观地表达基因间的调控关系,但在结构学习时的复杂度极高,使得网络建模效率较低且规模有限.因此,本文提出一种基于父节点筛选的贝叶斯网络(parent node screening based Bayesian network, PS-BN)建模方法.PS-BN方法将关联模型与贝叶斯网络模型相结合,在充分利用贝叶斯网络模型结构学习搜索策略的前提下,先基于父节点筛选方法去除部分冗余信息,以达到缩减搜索空间的目的.实验结果表明,与传统的贝叶斯网络模型方法相比,PS-BN方法极大提升了基因调控网络构建效率,同时准确率有所提高.     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

采用结构与参数训练相结合的RNN模型构建基因调控网络

提出一种采用递归神经网络模型构建基因调控网络,将结构训练与参数训练相结合的方法进行网络的权值训练.采用模拟退火算法训练网络结构,找出调控关系权值,再引入基于免疫思想的粒子群算法对权值进行参数优化,得到基因调控网络图.并分别用人工数据和大肠杆茵DNA修复系统基因数据进行实验.实验结果表明,该方法能有效地从基因时序数据中揭示基因间的调控关系.     

基于递归模糊神经网络的多时延基因调控网络构建方法

为了处理连续的时序基因表达数据,提出了一个基于递归模糊神经网络的多时延基因调控网络构建算法.该算法能直接用于分析连续的时序基因表达数据,避免离散化数据造成的信息损失.使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率和精确度.酵母菌细胞周期表达数据的实验结果表明该算法能正确选择潜在的调控基因,更加精确地构建基因调控网络.     

一种基于特征向量中心性的基因调控网络结构推测算法

提出了一种基于特征向量中心性推断基因调控网络结构的算法,通过特征向量中心性挖掘基因在网络中的拓扑信息,结合基因对之间的相关性和拓扑信息构建完整的基因调控网络.算法在n个变量和n个样本的DREAM数据集以及包含9个变量和9个样本的大肠杆菌数据集上进行仿真测试,并与现有的基于距离相关性和网络拓扑中性的3种最先进的网络推理算法进行了比较,算法结果显示该方法能够提高基因调控网络结构的预测精度.     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络.然后,利用所构建的网络进行共享单车出行方式预测,计算该模型的预测值与实际值的误差,分析模型的精度,且与常用的Logit模型预测结果进行比较.最后,在所构建的网络模型基础上,应用联合树引擎分析是否拥有私人交通工具、出行距离等影响因素对大学生共享单车出行行为的影响.分析结果表明,贝叶斯网络学习精度较高,比Logit模型预测结果更有效.     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

AP 数据源融合算法构建基因调控网络

针对单一数据集构建基因调控网络算法数据量不足及构建网络结果不精确的问题, 提出一种基于能力与信任(AP)的数据源融合算法. 该算法将基因表达数据、 蛋白质相互作用数据和基序数据集, 分别通过控制与被控制双向数据流传输来分析和构建基因调控网络, 并与ReMoDiscovery,CLR和C3Net三种已开发模型在酵母全基因组网络构建结果的AUC值进行对比. 对比结果表明, 该算法在构建基因调控网络算法方面执行效率更高、 收敛性更强.     

最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器 (naive bayes) 是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN (bayesian network augmented naive bayes) 分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法 (k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。     

AP数据源融合算法构建基因调控网络

针对单一数据集构建基因调控网络算法数据量不足及构建网络结果不精确的问题, 提出一种基于能力与信任(AP)的数据源融合算法. 该算法将基因表达数据、 蛋白质相互作用数据和基序数据集, 分别通过控制与被控制双向数据流传输来分析和构建基因调控网络, 并与ReMoDiscovery,CLR和C3Net三种已开发模型在酵母全基因组网络构建结果的AUC值进行对比. 对比结果表明, 该算法在构建基因调控网络算法方面执行效率更高、 收敛性更强.     

基于潜在调控因子筛选的高阶动态贝叶斯建模方法

为了解决目前用于构建基因调控网络的方法中所存在的网络构建准确率低、网络构建时间过长等问题，以及减小网络构建的复杂度，提高网络构建效率，提出了一种基于潜在调控因子筛选的高阶动态贝叶斯网络建模方法(high-order dynamic Bayesian network modeling method based on potential regulatory factor screening, PRS-HO-DBN).该方法将关联模型与高阶动态贝叶斯网络模型相结合，首先利用潜在调控因子筛选的方法在不同的时间延迟下删除与目标基因关联程度较低的基因，保留与目标基因关联程度较高的基因并作为目标基因的潜在调控因子集，以减小搜索空间；然后利用高阶动态贝叶斯模型进行结构学习，以提高网络构建的精确率.与其他的网络构建模型方法相比，该方法可以极大地缩短网络构建的时间，提升效率和精确度.     

基于贝叶斯网络的实时行情预测算法

贝叶斯网络说明变量集合的联合条件概率分布为自然地表示因果信息提供了一种方法.用贝叶斯网络进行预测的核心问题是选择最符合样本数据的网络结构,即根据数据样本D和先验知识ζ找出后验概率户(Sh|D,ζ)最大的贝叶斯网络S.提出了一种基于贝叶斯网络的实时行情预测算法,并对其数据结构与实现方法进行了阐述.     

基于贝叶斯网络的老年重症患者的预后评估

针对当前重症患者预后相关因素的研究主要集中于线性回归分析,构建了一基于贝叶斯网络的老年重症患者预后评估系统。提出了一种基于最小描述长度与K2算法的贝叶斯方法,以获得较优的网络结构;并利用最大似然估计进行参数学习。四折交叉抽样的实验结果表明,所构建系统的预测精度比传统的BP神经网络和基于K2的贝叶斯网络学习分别提高了6.87%和27.20%.这将为医生预测高龄患者在ICU治疗中的受益程度提供临床决策支持。     

基于单细胞RNA测序数据的基因调控网络推断算法综述

通过基因表达的变化可以推断基因调控网络.单细胞RNA测序（scRNA-seq）为推断细胞周期或分化等时间依赖性生物过程的基因调控网络提供了新的可能性,基于scRNA-seq数据的基因调控网络推断算法成为一个相对活跃的研究方向.本文首先对26种基因调控网络推断算法进行介绍,包括3种针对批量RNA测序数据的推断算法和23种针对scRNA-seq数据的推断算法（基于布尔网络的算法2种、基于微分方程的算法3种、基于伪时序基因相关性集成策略的算法5种、基于共表达基因的算法4种、基于细胞特异性的算法3种、基于深度学习的算法6种）,详细描述了每类算法的方法原理和算法优缺点,对算法进行综合比较;然后分析了推断算法比较研究的相关成果,并使用scRNA-seq数据简单评估了26种算法的性能;最后探讨当前基因调控网络推断算法面临的机遇与挑战.     

IE_K2：一种基于贝叶斯网络的高效基因调控网络构建方法

为获得正确的节点次序,提高K2算法的执行效率和精确度,提出一种构建基因调控网络的IE-K2算法.基于两个节点互信息构建无向图,通过引入联合信息熵来获得最佳的节点次序.在Alarm网络中的实验结果表明,其预测的准确率优于爬山算法和随机节点顺序的K2算法;将IE-K2算法用于构建酿酒酵母的基因调控网络,通过现有文献证明了调控关系的正确性,结果显示了该算法的有效性.     

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%.     

基于炎症反应的阿尔茨海默症功能模块构建

整合阿尔茨海默症患者6个脑区的基因表达数据和蛋白质相互作用数据,较好地避免了基因表达数据高噪声、高变异等不足对构建基因调控网络精度和准确性的影响.考虑到脑部神经炎症是AD发病的重要原因之一,以及钙平衡失调可能是AD几个致病因素联系的纽带,结合蛋白质网络挖掘与AD发病密切相关的基因及炎症和钙离子功能网络,采用最大权重诱导子图(Heinz)算法实现两种高通量数据的结合并提取显著扰动子网,在此基础上利用基于边权的模拟退火算法预测和优化扰动网络,去除网络中较弱的相互作用,添加预测的较强的相互作用,提高网络的精度.实验共提取206个特征基因,并且提取了脑部炎症及钙离子作用机制的功能模块子网.结果证明,使用基于边权的模拟退火算法进一步加强了功能网络的模块性.经生物学分析证明炎症和钙离子机制在AD致病机制中起着很大的作用.这些数据在不同方面为系统地认识基因的复杂调控机制提供了必要的信息.