CN102013039A - 一种基于动态贝叶斯网络的基因调控网络构建方法 - Google Patents
一种基于动态贝叶斯网络的基因调控网络构建方法 Download PDFInfo
- Publication number
- CN102013039A CN102013039A CN2010105679928A CN201010567992A CN102013039A CN 102013039 A CN102013039 A CN 102013039A CN 2010105679928 A CN2010105679928 A CN 2010105679928A CN 201010567992 A CN201010567992 A CN 201010567992A CN 102013039 A CN102013039 A CN 102013039A
- Authority
- CN
- China
- Prior art keywords
- network
- gene regulatory
- gene
- dynamic bayesian
- regulatory network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于动态贝叶斯网络的基因调控网络构建方法,包括以下步骤:步骤一:获取基因表达的时间序列数据;步骤二:时间序列数据采用离散化方法,离散成数个表达水平;步骤三:设定基因调控网络的时间延迟;步骤四:利用动态贝叶斯网络的结构学习算法采用最大似然法,推导基因调控网络。本发明能有效降低复杂度、提升重建性能、实用性强。
Description
技术领域
本发明涉及生物技术领域,涉及基因调控网络构建方法。
背景技术
探索和发现基因之间的调控关系与相互作用机制是生命科学中的研究热点和前沿主题,而从基因表达数据推理出基因调控网络是其研究方向之一。基因调控网络是一个复杂的非线性系统,从对基因间相互影响和联系的建模角度看,它是一个由节点(代表基因)和有向边(代表调控作用及方向)组成的一个有向图。
目前构建基因调控网络主要有布尔网络、微分方程和贝叶斯网络等方法, 这些方法都在不同层次上对真实的调控网络进行了抽象化。布尔网络是定性研究基因调控网络,而微分方程又是通过精细的数学分析来量化描述生物过程,但缺乏抗噪声能力,计算量大,鲁棒性能不佳。贝叶斯网络模型是这两个极端的折中。利用贝叶斯网络构建基因调控网络是目前生物信息学研究的热点。
现有的贝叶斯网络构建基因调控网络存在的缺陷:复杂度较高、重建性能较差、实用性差。
发明内容
为了克服已有贝叶斯网络的基因调控网络构建方法的复杂度较高、重建性能较差、实用性差的不足,本发明提供一种有效降低复杂度、提升重建性能、实用性强的基于动态贝叶斯网络的基因调控网络构建方法。
本发明解决其技术问题所采用的技术方案是:
一种基于动态贝叶斯网络的基因调控网络构建方法,包括以下步骤:
步骤一:获取基因表达的时间序列数据;
步骤二:时间序列数据采用离散化方法,离散成数个表达水平;
步骤三:设定基因调控网络的时间延迟;
步骤四:利用动态贝叶斯网络的结构学习算法采用最大似然法,推导基因调控网络;其具体过程为:首先,通过调用贝叶斯网络的推理算法填充数据集,将不完备数据下的结构学习问题转换为较容易解决的完备数据下的结构学习问题,所述最大似然算法分为结构搜索和参数学习两步,进行结构搜索时,使用期望充分统计因子代替不存在的充分统计因子,使打分函数具有可分解形式,再进行局部搜索, 发现得分更高的网络结构; 然后在选定的网络结构上寻找使得分最大的参数,得到基因调控网络结构。算法使用BNT软件包(下载地址:http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html)。
作为优选的一种方案:所述构建方法还包括以下步骤:步骤五:调控网络图形化展示并进行结构分析。
作为优选的另一种方案:所述构建方法还包括以下步骤:步骤六:对感兴趣的基因调控关系进行实验验证。
进一步,所述步骤二中,将时间序列数据采用百分位离散化。
再进一步,所述步骤六中,验证过程如下:
利用核糖核酸干扰(RNAi)技术敲低Agrp基因,然后利用实时定量反转录聚合酶链式反应技术对下游基因Tyr和Trp1两个基因进行定量检测。
本发明的技术构思为:贝叶斯网络是一种基于概率推理的网络模型,是由节点(代表变量)及连接节点的有向边(代表节点间的相关关系,并由条件概率表达)构成的有向无环图。将贝叶斯网络推广到时间过程则是动态贝叶斯网络。动态贝叶斯网络适合于分析时间序列之间的统计相关关系从而推导基因调控网络。
根据基因调控网络的特点,从基因表达的时间序列数据出发,利用动态贝叶斯网络的结构学习算法,推导基因调控网络。是一种可行的基于基因表达的时间序列数据建立基因调控网络的生物信息学方法,可直接预测基因的调控关系网络,以便于进一步的生物学实验验证。
本发明的有益效果主要表现在:通过数据的初始化处理, 降低了动态贝叶斯网络的结构学习的复杂度。同时我们的方法能很好地描述基因表达水平随时间上升与下降的变化趋势,并推理这些趋势之间的相关关系来重建基因调控网络。较大幅度地提高了基因调控网络的重建性能从而更好地构建出基因调控网络。
附图说明
图1是基于动态贝叶斯网络的基因调控网络构建方法的流程图。
图2是动态贝叶斯网络的图形化结果的示意图。
图3是对于预测的调控关系,利用核糖核酸干扰(RNAi)和实时定量反转录聚合酶链式反应(real-time RT-PCR)技术对下游基因进行定量验证的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于动态贝叶斯网络的基因调控网络构建方法,包括以下步骤:
步骤一:获取基因表达的时间序列数据;
步骤二:时间序列数据采用离散化方法,离散成数个表达水平;
步骤三:设定基因调控网络的时间延迟;
步骤四:利用动态贝叶斯网络的结构学习算法采用最大似然法,推导基因调控网络;其具体过程为:首先,通过调用贝叶斯网络的推理算法填充数据集, 将不完备数据下的结构学习问题转换为较容易解决的完备数据下的结构学习问题,所述最大似然算法主要分为结构搜索和参数学习两步,进行结构搜索时,使用期望充分统计因子代替不存在的充分统计因子,这样可使打分函数具有可分解形式,再进行局部搜索, 以试图发现得分更高的网络结构; 然后在选定的网络结构上寻找使得分最大的参数,得到基因调控网络结构。算法使用BNT软件包(下载地址:http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html)。
所述构建方法还包括以下步骤:步骤五:调控网络图形化展示并进行结构分析。
所述构建方法还包括以下步骤:步骤六:对感兴趣的基因调控关系进行实验验证。
所述步骤二中,将时间序列数据采用百分位离散化。所述步骤六中,验证过程如下:利用核糖核酸干扰(RNAi)技术敲低Agrp基因,然后利用实时定量反转录聚合酶链式反应技术对下游基因Tyr和Trp1两个基因进行定量检测。
其中步骤五和步骤六属于可选步骤。
以小鼠为动物模型,进行药物处理,每隔2个小时定量基因表达量。一共取材15个时间点。基因定量方法采用荧光实时定量,一共考察12个基因。具体实施步骤如下:
步骤一:获取基因表达的时间序列数据,数据取自荧光实时定量的12个基因的15个时间点的数据。
步骤二:输入数据采用百分位离散化(quantile discretization)方法将原始基因表达数据离散成4个表达水平。
步骤三:时间延迟设置为1(即2小时,基因间调控关系的延迟一般都不是很长)。
步骤四:利用BNT软件包(下载地址:http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html),动态贝叶斯网络的结构学习算法采用最大似然法,推导基因调控网络;
步骤五:调控网络图形化展示并进行结构分析。图形化结果分析见说明书附图2。
步骤六:对结果进行实验验证,具体做不法是:
利用核糖核酸干扰(RNAi)技术敲低Agrp基因,然后利用实时定量反转录聚合酶链式反应(real-time RT-PCR)技术对下游基因Tyr和Trp1两个基因进行定量检测。结果显示,在人hela细胞系中,当Agrp的表达量降低时,Tyr和Trp1两个基因的表达量均有降低。因此Tyr和Trp1是Agrp的下游基因。验证了预测结果。见说明书附图3。
以上是对本发明的描述而非限定,基于本发明思想的其它实施方式,均在本发明的保护范围之中。
Claims (5)
1.一种基于动态贝叶斯网络的基因调控网络构建方法,包括以下步骤:
步骤一:获取基因表达的时间序列数据;
其特征在于:所述构建方法还包括以下步骤:
步骤二:时间序列数据采用离散化方法,离散成数个表达水平;
步骤三:设定基因调控网络的时间延迟;
步骤四:利用动态贝叶斯网络的结构学习算法采用最大似然法,推导基因调控网络,其具体过程为:首先,通过调用贝叶斯网络的推理算法填充数据集, 将不完备数据下的结构学习问题转换为较容易解决的完备数据下的结构学习问题,所述最大似然算法主要分为结构搜索和参数学习两步,进行结构搜索时,使用期望充分统计因子代替不存在的充分统计因子,使打分函数具有可分解形式,再进行局部搜索,发现得分更高的网络结构;然后在选定的网络结构上寻找使得分最大的参数,得到基因调控网络结构。
2.如权利要求1所述的基于动态贝叶斯网络的基因调控网络构建方法,其特征在于:所述构件方法还包括以下步骤:步骤五:调控网络图形化展示并进行结构分析。
3.如权利要求2所述的基于动态贝叶斯网络的基因调控网络构建方法,其特征在于:所述构件方法还包括以下步骤:步骤六:对感兴趣的基因调控关系进行实验验证。
4.如权利要求1~3之一所述的基于动态贝叶斯网络的基因调控网络构建方法,其特征在于:所述步骤二中,将时间序列数据采用百分位离散化。
5.如权利要求3所述的基于动态贝叶斯网络的基因调控网络构建方法,其特征在于:所述步骤六中,验证过程如下:
利用核糖核酸干扰技术敲低Agrp基因,然后利用实时定量反转录聚合酶链式反应技术对下游基因Tyr和Trp1两个基因进行定量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105679928A CN102013039A (zh) | 2010-12-01 | 2010-12-01 | 一种基于动态贝叶斯网络的基因调控网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105679928A CN102013039A (zh) | 2010-12-01 | 2010-12-01 | 一种基于动态贝叶斯网络的基因调控网络构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102013039A true CN102013039A (zh) | 2011-04-13 |
Family
ID=43843211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105679928A Pending CN102013039A (zh) | 2010-12-01 | 2010-12-01 | 一种基于动态贝叶斯网络的基因调控网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102013039A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500456A (zh) * | 2013-10-22 | 2014-01-08 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
CN103646159A (zh) * | 2013-09-30 | 2014-03-19 | 温州大学 | 一种基于约束性布尔网络的最大评分预测方法 |
CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
CN108614536A (zh) * | 2018-06-11 | 2018-10-02 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN109411023A (zh) * | 2018-09-30 | 2019-03-01 | 华中农业大学 | 一种基于贝叶斯网络推理的基因间交互关系挖掘方法 |
CN109726352A (zh) * | 2018-12-12 | 2019-05-07 | 青岛大学 | 一种基于微分方程模型的基因调控网络的构建方法 |
CN114155913A (zh) * | 2021-12-13 | 2022-03-08 | 东北大学 | 一种基于高阶动态贝叶斯的基因调控网络构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100005051A1 (en) * | 2006-07-28 | 2010-01-07 | Persistent Systems Limited | System and method for inferring a network of associations |
CN101763528A (zh) * | 2009-12-25 | 2010-06-30 | 深圳大学 | 基于贝叶斯网络的基因调控网络构建方法 |
-
2010
- 2010-12-01 CN CN2010105679928A patent/CN102013039A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100005051A1 (en) * | 2006-07-28 | 2010-01-07 | Persistent Systems Limited | System and method for inferring a network of associations |
CN101763528A (zh) * | 2009-12-25 | 2010-06-30 | 深圳大学 | 基于贝叶斯网络的基因调控网络构建方法 |
Non-Patent Citations (1)
Title |
---|
葛玲玲等: "基于改进SEM算法的基因调控网络构建方法", 《计算机应用研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646159A (zh) * | 2013-09-30 | 2014-03-19 | 温州大学 | 一种基于约束性布尔网络的最大评分预测方法 |
CN103646159B (zh) * | 2013-09-30 | 2016-07-06 | 温州大学 | 一种基于约束性布尔网络的最大评分预测方法 |
CN103500456B (zh) * | 2013-10-22 | 2016-06-15 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
CN103500456A (zh) * | 2013-10-22 | 2014-01-08 | 北京大学 | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
CN106022473B (zh) * | 2016-05-23 | 2019-03-05 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
CN108614536B (zh) * | 2018-06-11 | 2020-10-27 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN108614536A (zh) * | 2018-06-11 | 2018-10-02 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN109411023A (zh) * | 2018-09-30 | 2019-03-01 | 华中农业大学 | 一种基于贝叶斯网络推理的基因间交互关系挖掘方法 |
CN109411023B (zh) * | 2018-09-30 | 2022-03-18 | 华中农业大学 | 一种基于贝叶斯网络推理的基因间交互关系挖掘方法 |
CN109726352A (zh) * | 2018-12-12 | 2019-05-07 | 青岛大学 | 一种基于微分方程模型的基因调控网络的构建方法 |
CN114155913A (zh) * | 2021-12-13 | 2022-03-08 | 东北大学 | 一种基于高阶动态贝叶斯的基因调控网络构建方法 |
CN114155913B (zh) * | 2021-12-13 | 2024-05-24 | 东北大学 | 一种基于高阶动态贝叶斯的基因调控网络构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102013039A (zh) | 一种基于动态贝叶斯网络的基因调控网络构建方法 | |
Yu et al. | A maximum pseudo-likelihood approach for phylogenetic networks | |
Zhu et al. | Recursively imputed survival trees | |
Suresh et al. | Particle swarm optimization over back propagation neural network for length of stay prediction | |
Jia et al. | Facilitation can maintain clustered spatial pattern of plant populations during density‐dependent mortality: insights from a zone‐of‐influence model | |
Yin et al. | Reliability aware multi-objective predictive control for wind farm based on machine learning and heuristic optimizations | |
Nepomuceno-Chamorro et al. | Inferring gene regression networks with model trees | |
Chowdhury et al. | Stochastic S-system modeling of gene regulatory network | |
Chen et al. | Application of data mining in a global optimization algorithm | |
Zhang et al. | Predicting disease-related RNA associations based on graph convolutional attention network | |
Yang et al. | Extended belief-rule-based system with new activation rule determination and weight calculation for classification problems | |
Dai et al. | A hybrid DNA based genetic algorithm for parameter estimation of dynamic systems | |
Wu et al. | Consistency measure based simultaneous feature selection and instance purification for multimedia traffic classification | |
Hein et al. | Reasoning support for predicting requirement change volatility using complex network metrics | |
Castle et al. | An epidemiological framework for modelling fungicide dynamics and control | |
Fiosina et al. | Polymer reaction engineering meets explainable machine learning | |
Oğul et al. | A probabilistic approach to microRNA-target binding | |
Lorena et al. | Evaluation of noise reduction techniques in the splice junction recognition problem | |
Nandhini et al. | An optimal stacked ResNet-BiLSTM-based accurate detection and classification of genetic disorders | |
Laschov et al. | On Boolean control networks with maximal topological entropy | |
US20220180979A1 (en) | Adaptive clinical trials | |
Klassen et al. | Web document classification by keywords using random forests | |
Gamage et al. | Filter feature selection based boolean modelling for genetic network inference | |
Zhu et al. | Protein-protein interaction network constructing based on text mining and reinforcement learning with application to prostate cancer | |
Liu et al. | A semi-parametric Bayesian approach for differential expression analysis of RNA-seq data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110413 |