JP2016508269A - 機構的ネットワークモデルを使用した生物学的影響の定量評価 - Google Patents
機構的ネットワークモデルを使用した生物学的影響の定量評価 Download PDFInfo
- Publication number
- JP2016508269A JP2016508269A JP2015550782A JP2015550782A JP2016508269A JP 2016508269 A JP2016508269 A JP 2016508269A JP 2015550782 A JP2015550782 A JP 2015550782A JP 2015550782 A JP2015550782 A JP 2015550782A JP 2016508269 A JP2016508269 A JP 2016508269A
- Authority
- JP
- Japan
- Prior art keywords
- node
- network
- hyp
- child
- nodes
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
「知識ベース」は、有向ネットワークであり、生物学的実体及びプロセス間に実験で観察された因果関係のネットワークであることが好ましい。
「ノード」は、測定可能な実体又はプロセスである。
「測定ノード」は、測定された実体又はプロセスである。
「参照ノード」は、ノードに対する潜在的攪乱を表す。
「シグネチャ」は、測定可能なノードの実体と、参照ノードに対するそれらの変化の予想方向との集まりである。
「差次的データセット」は、第1の状態に関連するデータ、及び第1の状態とは別個の第2の状態に関連するデータを有するデータセットである。
「倍率変化」は、初期値から最終値まで量が変化する程度を述べる数字であり、詳細には、最終値を初期値で割って算出する。
「符号付きグラフ」(すなわち、符号付きエッジがあるグラフ)は、本開示の状況で、系の生物学的性質における調整及びシグナル伝達に関する情報を提供する代表的構造であり、符号付きグラフでは、正の有向エッジ
ネットワークの構造は、ノードの測定値及び/又はノードHYPスコアを、ネットワークによって記述されるプロセスの変化を表すネットワークスコアへと集約するよう案内する。詳細には、さらに本開示の第1の態様によれば、特定の実施形態では、最初にネットワークをHYP様構造に変換し、次に(前述したように、以下に記載するような幾つかの変更を加えて)HYPスコア化方法を適用することによって、ネットワークをスコア化する。ネットワーク内のノードを単一のHYP様構造に集約するプロセスでは、ネットワークが因果的に一貫している必要がある(グラフ理論で「均衡したグラフ」と呼ぶ)、すなわち、ネットワーク内の任意の2つのノード間の正味因果関係が、ノード間を横断する経路に依存していない。このアプローチによると、ネットワーク内の単一のノードを、最初に「参照ノード」として選択し、ネットワーク内の他の各ノードの因果関係を評価するために照らし合わせる基準点を提供する。ネットワークの各ノードについて、そのノードと参照ノードの間の経路を最初に選択する(これら2つのノード間の任意の経路は、因果的に一貫したネットワークで同一の結果を生成する)。経路は、その経路に沿ったエッジの方向に関係なく選択することができる(すなわち、経路は、因果接続の方向で(「下流」)、又は逆方向で(「上流」)横断するか、上流又は下流エッジの任意の組み合わせで横断することができる)。経路に沿った因果減少エッジの数を数え、これが奇数である場合は開始ノードが参照ノードと正味減少関係(すなわち、正味で負の因果関係)を有し、これが偶数である場合は開始ノードが参照ノードと正味増加関係(すなわち、正味で正の因果関係)を有する。このプロセスを図3に示す。次に、HYP様構造を、HYPの上流ノード(「ソース」)として働くネットワークを表すノードで構築し、この上流ノードの下流にあるネットワーク内の各ノードは、参照ノードとの正味関係に応じて因果増大又は減少エッジによって接続される。これを図4に示す。参照ノードは、常に因果増大エッジを介してソースノードに接続される。
因果的に一貫していないモデルの場合、任意の2つのノード間の正味因果関係は、どちらの経路を選択するかに依存する(すなわち、奇数の因果減少エッジを有する経路があれば、同じ2つのノード間で偶数の因果減少エッジを有する経路もある)。したがって、以上で概略した単純明快なメタHYP構築プロセスは可能ではない。
別の実施形態によれば、因果的に一貫していないネットワークからメタHYPを構築する1つの方法は、各ノードと参照ノード間に正味の正の因果関係を有する最短経路、及び各ノードと参照ノード間に正味の負の因果関係を有する最短経路を特定することである。ノード毎に、正の最短経路が負の最短経路より短い場合、そのノードはメタHYPの因果増大に割り当てられ、正の最短経路が負の最短経路より長い場合、そのノードはメタHYPの因果減少に割り当てられる。正の最短経路と負の最短経路が同じ長さであるノードは、メタHYPから削除される。2つのノード間の経路の長さを算出する場合、各エッジは同じ「長さ」を有することができ、その結果、長さは経路にあるエッジの数を表す。あるいは、ネットワーク内に複数のタイプの増大エッジ及び減少エッジがある場合、異なるタイプのエッジは、全体的な経路長に対して異なる「長さ」寄与率を有することができる。例えば、直接の因果増大又は減少エッジは、直接的関係と明示的に表されていない因果増大又は減少エッジより短い長さを有することができる。この方法は、因果的に一貫していないネットワークを解明し、メタHYPを生成する「最短経路」方法と呼ばれる。
ある実施形態によれば、符号重みを算出する1つの方法は、ネットワークで反復ランダムウォークを実行することを含み、各ランダムウォーカは「+」又は「−」の内部状態を有し、さらにその現在状態を各ノードに、そのノードに最初に訪れた時に割り当てる。ネットワークを横断中に、アルゴリズムの各ウォーカは有効なスパニングツリーを生成することもでき、全ウォーカからのスパニングツリーのセットは、符号付きグラフのスパニングツリー全部のうち代表的サンプルを生成することが知られている。この実施形態では、方法はスパニングツリーを組み合わせてネットワークの単一のメタHYPを生成し、したがってこの方法はサンプル値スパニングツリー(SST)方法と呼ばれる。以下のセクションでは、このアプローチに関してさらなる詳細を提供する。
均衡した符号付きグラフG=(ノード,エッジ)及びその全ノード上で画定された量Xn(例えば、遺伝子の差次的発現、又は推定攪乱振幅[3]など)があると仮定すると、G上でのXnの集約は下式のように定義される。
1.各ウォーカは、参照ノードREFにて正の符号「+1」で始まる。
2.ウォーカは、現在のノードに接続された横断すべきエッジをランダムに選択する。エッジの選択は、エッジの符号又は方向の無関係である。
3.ウォーカの符号は、「増大」エッジ(
4.次のノードをそのウォーカが既に訪れていない場合、ウォーカは次のノードを訪問済みとマークし、その符号をそのノードに割り当てる。
5.次のノードをそのウォーカが既に訪れている場合は、ウォーカはそのノードからの符号を採用する。
6.グラフの全ノードを訪れるまで継続する。
例示の目的で、SST方法を最初に、図7に示す整合のとれないフィードフォワードループ(IFFL)に適用する。この例示的なネットワークでは、ノードA及びBに関連する2つの経路
2.モード毎に、ウォーカは各エッジの確率にしたがって、横断すべきエッジをランダムに選択する。相対的確率は以下の通りである。
a.分子内エッジ(分子とそれらの活性との関係):1
b.直接的な分子間エッジ(直接結合し、増大/減少する):1/2
c.間接的な分子間エッジ(増大/減少):1/3
d.発現エッジ(RNA発生量の変化につながる関係):1/4
1.各ウォーカは、参照ノードにて「+」の初期内部状態で始まる。
2.各相互作用で、ランダムウォーカは、現在のノードに接続された横断すべき因果エッジをランダムに選択する。
・異なるタイプのエッジは、ランダムウォークにバイアス付与する異なる相対的確率を有することができる。例えば、ランダムウォーカにバイアス付与して、直接的関係と明示的に示されていない因果的増大又は減少エッジと比較して、直接的な因果的増大又は減少エッジを横断する可能性が2倍になるように選択することができる。
3.ウォーカの内部状態は、「増大」エッジを横断する場合は保持され、「減少」エッジを横断する場合は反転する。
4.次のノードをそのウォーカが既に訪れていない場合、ウォーカはそのノードに現在の内部状態のマークを付ける。
5.次のノードをそのウォーカが既に訪れている場合、ウォーカはそのノードからの符号を採用する。
6.そのウォーカがサブネットワークのすべての因果的に接続されたノードを訪れるまで、ステップ2〜5を繰り返す。
7.多数(例えば、1000)のウォーカに対して、この手順を繰り返す。
多くのHYPはオーバラップする測定値のセットで支援することができ(図5参照)、これによってそれらのスコアが相互依存し、これらのHYP内で特に攪乱された生物学的性質を捕捉するこれらスコアの能力が低下して、最終的に特定の機構的洞察を導出する能力を妨害する。このようなオーバラップの効果を低下させるために、メタHYPスコア化プロセスを変更し、HYPがメタHYP内の他のHYPとオーバラップする程度に基づいて、メタHYPスコアに対する各HYPiの寄与率wiを調整する。このプロセスは、一意のサブネットワークへの重みを最高にし、他のサブネットワークと類似したサブネットワークへの重みを低下させた。
根底となるスコア又は差次的測定値の一次結合としてスコアを算出するNPA方法を使用して、メタHYPをスコア化する場合、下流HYPの根底となる差次的データの一次関数として、メタHYPを再公式化することが可能である。以下ではこのアプローチについて述べる。この変換は、直接構築されたHYP及びネットワークから構築されたHYPを同等に処理できるようにするという点で有用である。
本明細書に記載する技術は、同一所有の同時係属出願の米国特許出願公開第US2005/00038608号明細書、第2005/0165594号明細書、第2005/0154535号明細書、及び第2007/0225956号明細書に記載されているようなコンピュータに実施された可能化テクノロジーを使用して実施される。参照により本明細書に組み込まれ開示を含むこれらの特許出願は、因果に基づく系の生物学的モデリングツール及び方法論について述べている。一般的に、このアプローチは、生物系の生物学的関係に関する仮説をたてるために、生物学的要素を表す複数のノードを含むデータベース、及びノード間の関係を述べる関係記述子を使用するソフトウェアで実施する方法を提供し、データベースのノード及び関係記述子は、生物学的表明の集合を含み、そこから1つ又は複数の候補生物学的表明が選択される。調査するためにデータベース内の標的ノードを選択した後、標的ノードの攪乱を規定する。それに応答して、標的ノードに影響する可能性があるか、標的ノードの影響を受けるデータベースの所与のノード及び関係記述子を横断する。横断ステップ中に生成されたデータに応答して、さらに解析するために候補の生物学的表明を特定することができる。これらの生物学的表明、及び本明細書に記載するノードは、標的ノードにとって重要なシグネチャ(すなわち、シグネチャの参照ノード)を含む。
Claims (25)
- 元のネットワークの活性程度のスコアを決定する方法であって、前記元のネットワークは、生物学的実体、プロセス又は他のネットワークを表すノードのセットの間での因果的接続で構成され、前記元のネットワークが参照ノードを有しており、前記方法が、
(a)根ノード、及び子ノードのセットを含むツリー深さ1のツリーグラフを表すリストを構築するステップであって、前記ツリーグラフの前記根ノードが前記元のネットワークを表し、各子ルートが前記元のネットワークの特定ノードを表し、前記根ノードからその子ノードを指す符号付き有向エッジによって前記根ノードに接続され、
前記根ノードからその子ノードへの前記符号付き有向エッジの符号が、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する1つ又は複数の経路の前記符号から決定され、
各子ノードがまた、自身に関連付けられた重みを有し、前記重みが、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する前記1つ又は複数の経路に基づくものである、構築ステップと、
(b)前記子ノードに割り当てられたスコア、及び前記符号付き有向エッジの前記符号に基づいて、前記ツリーグラフをスコア化するスコア化ステップを含み、
前記構築ステップとスコア化ステップの少なくとも1つが、ハードウェア要素で実行されるソフトウェアで実施される、方法。 - 前記元のネットワークが因果的に一貫し、各重みが1に等しい値を有する、請求項1に記載の方法。
- 前記元のネットワークが因果的に一貫せず、前記子ノードに関連付けられた前記重みの少なくとも1つが1以外の負ではない実数値を有する、請求項1に記載の方法。
- 前記ツリーグラフの前記子ノードが測定可能な実体を表し、前記子ノードに割り当てられたスコアがそれらに関連付けられた測定値を表す、請求項1に記載の方法。
- 前記ツリーグラフの少なくとも1つの子ノードが、それ自体が自身に関連付けられたスコアを有する別のツリーグラフを表す、請求項1に記載の方法。
- 前記スコア化が、ネットワークパフォーマンス振幅(NPA)及び幾何攪乱指数(GPI)のうちの一方である、請求項1に記載の方法。
- 前記根ノードからその子ノードへの前記符号付き有向エッジの前記符号が、前記元のネットワークの前記特定ノードから前記元のネットワークの前記参照ノードまでの最短経路の正味符号から決定される、請求項3に記載の方法。
- 前記最短経路の長さが、エッジ長にバイアス付与することによって決定され、エッジ長が属性の値によってバイアス付与される、請求項7に記載の方法。
- 前記元のネットワークから符号付きスパニングツリーのセットを列挙するステップをさらに含み、各スパニングツリーの特定ノード毎に符号が関連付けられており、当該符号が当該特定ノードを前記スパニングツリーの前記参照ノードに接続する経路の正味符号に基づくものである、請求項3に記載の方法。
- 符号及び重みが、前記ツリーグラフの子ノードに関連付けられており、前記スパニングツリーの前記セットの最大数の符号付きスパニングツリーにおいて、前記元のネットワークの当該ノードに関連付けられた符号が何であれ、前記符号及び重みは当該符号に基づくものである、請求項9に記載の方法。
- 前記子ノードに関連付けられた前記重みが、所与の関数((N+−N−)/(N++N−))の絶対値として算出される、請求項10に記載の方法。
- 前記元のネットワークに沿って、各ランダムウォークが前記参照ノードにて開始する複数のランダムウォークを実行するステップと、
ランダムウォーク毎に、前記ツリーグラフの子ノードに関連付けられた符号及び重みを前記元のネットワークの当該ノードに関連付けられた符号が何であれ、当該符号に基づいて決定するステップとをさらに含む、請求項3に記載の方法。 - 前記ランダムウォークが、前記元のネットワークにあるエッジの属性に基づいてバイアス付与される、請求項12に記載の方法。
- コンピュータシステムにロードされ、実行されると、ネットワークの活性程度のスコアを決定するように前記コンピュータシステムに演算させるコンピュータ可読命令を含むコンピュータプログラム製品であって、前記ネットワークが、生物学的実体、プロセス又は他のネットワークを表すノードのセットの間での因果的接続で構成され、前記ネットワークが参照ノードを有し、前記コンピュータ可読命令が、
根ノード、及び子ノードのセットを含むツリー深さ1のツリーグラフを構築するプログラムコードを含み、前記ツリーグラフの前記根ノードが前記元のネットワークを表し、各子ノードが前記元のネットワークの特定ノードを表し、前記根ノードからその子ノードを指す符号付き有向エッジによって前記根ノードに接続され、前記根ノードからその子ノードへの前記符号付き有向エッジの符号が、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する1つ又は複数の経路の前記符号から決定され、各子ノードがまた、自身に関連付けられた重みを有し、前記重みが、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する前記1つ又は複数の経路に基づくものであり、さらに、
前記子ノードに割り当てられたスコア、及び前記符号付き有向エッジの前記符号に基づいて、前記ツリーグラフをスコア化するプログラムコードを含む、コンピュータプログラム製品。 - 前記ネットワークが因果的に一貫している場合、各重みが1に等しい値を有する、請求項14に記載のコンピュータプログラム製品。
- 前記ネットワークが因果的に一貫していない場合、前記子ノードに関連付けられた前記重みの少なくとも1つが、1以外の負ではない実数値を有する、請求項14に記載のコンピュータプログラム製品。
- 前記ツリーグラフの前記子ノードが測定可能な実体を表し、前記子ノードに割り当てられたスコアがそれらに関連付けられた測定値を表す、請求項14に記載のコンピュータプログラム製品。
- 前記ツリーグラフの少なくとも1つの子ノードが、それ自体が自身に関連付けられたスコアを有する別のツリーグラフを表す、請求項14に記載のコンピュータプログラム製品。
- 前記スコア化が、ネットワークパフォーマンス振幅(NPA)及び幾何攪乱指数(GPI)のうちの一方である、請求項14に記載のコンピュータプログラム製品。
- 前記ツリーグラフにあるノードの所与の対間の符号関係が、前記ツリーグラフ上のランダムウォークを使用して構築されたスパニングツリーのサンプルを平均することによって決定される、請求項14に記載のコンピュータプログラム製品。
- 装置であって、
ハードウェアプロセッサと、
前記ハードウェアプロセッサにロードされ、それによって実行されると、前記装置にネットワークの活性の程度に関するスコアを決定するコンピュータメモリのコンピュータ可読命令と、を含み、前記ネットワークが、生物学的実体、プロセス又は他のネットワークを表すノードのセットの間での因果的接続で構成され、前記ネットワークが参照ノードを有し、前記コンピュータ可読命令が、
根ノード、及び子ノードのセットを含むツリー深さ1のツリーグラフを構築するプログラムコードを含み、前記ツリーグラフの前記根ノードが前記元のネットワークを表し、各子ノードが、前記元のネットワークの特定ノードを表し、前記根ノードからその子ノードを指す符号付き有向エッジによって前記根ノードに接続され、前記根ノードからその子ノードへの前記符号付き有向エッジの符号が、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する1つ又は複数の経路の前記符号から決定され、各子ノードがまた、自身に関連付けられた重みを有し、前記重みが、前記元のネットワークの前記特定ノードを前記元のネットワークの前記参照ノードに接続する前記1つ又は複数の経路に基づくものであり、さらに、
前記子ノード、及び前記符号付き有向エッジの前記符号に割り当てられたスコアに基づいて、前記ツリーグラフをスコア化するプログラムコードを含む、装置。 - 前記ネットワークが因果的に一貫している場合、各重みが1に等しい値を有する、請求項21に記載の装置。
- 前記ネットワークが因果的に一貫していない場合、前記子ノードに関連付けられた前記重みの少なくとも1つが、1以外の負ではない実数値を有する、請求項21に記載の装置。
- 前記ツリーグラフの少なくとも1つの子ノードが、自身に関連付けられたスコアを有する別のツリーグラフを表す、請求項21に記載の装置。
- 前記ツリーグラフにあるノードの所与の対間の符号関係が、前記ツリーグラフ上のランダムウォークを使用して構築されたスパニングツリーのサンプルを平均することによって決定される、請求項21に記載の装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261746728P | 2012-12-28 | 2012-12-28 | |
US61/746,728 | 2012-12-28 | ||
PCT/US2013/077910 WO2014106003A1 (en) | 2012-12-28 | 2013-12-27 | Quantitative assessment of biological impact using mechanistic network models |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016508269A true JP2016508269A (ja) | 2016-03-17 |
JP6372892B2 JP6372892B2 (ja) | 2018-08-15 |
Family
ID=51022071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015550782A Expired - Fee Related JP6372892B2 (ja) | 2012-12-28 | 2013-12-27 | 機構的ネットワークモデルを使用した生物学的影響の定量評価 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10878312B2 (ja) |
EP (1) | EP2939164B1 (ja) |
JP (1) | JP6372892B2 (ja) |
CN (1) | CN105393253A (ja) |
CA (1) | CA2896732A1 (ja) |
WO (1) | WO2014106003A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467538B2 (en) * | 2014-09-09 | 2019-11-05 | International Business Machines Corporation | Link de-noising in a network |
US20170059554A1 (en) * | 2015-09-02 | 2017-03-02 | R. J. Reynolds Tobacco Company | Method for monitoring use of a tobacco product |
CN107203704B (zh) * | 2017-05-02 | 2020-08-25 | 广州大学 | 一种基于gsa识别基因通路的方法 |
CN107220526B (zh) * | 2017-05-02 | 2020-08-25 | 广州大学 | 一种基于padog识别基因通路的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005243024A (ja) * | 2004-02-23 | 2005-09-08 | Agilent Technol Inc | インタラクティブな生物学的図表を構築するためのシステム、ツール及び方法 |
JP2008532460A (ja) * | 2006-03-24 | 2008-08-14 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | ネットワーク処理に関する改善 |
WO2012168483A1 (en) * | 2011-06-10 | 2012-12-13 | Philip Morris Products S.A. | Systems and methods for network-based biological activity assessment |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6108698A (en) * | 1998-07-29 | 2000-08-22 | Xerox Corporation | Node-link data defining a graph and a tree within the graph |
US7865534B2 (en) | 2002-09-30 | 2011-01-04 | Genstruct, Inc. | System, method and apparatus for assembling and mining life science data |
US7444313B2 (en) * | 2003-09-03 | 2008-10-28 | Microsoft Corporation | Systems and methods for optimizing decision graph collaborative filtering |
EP1690212A2 (en) | 2003-11-26 | 2006-08-16 | Genstruct, Inc. | System, method and apparatus for causal implication analysis in biological networks |
US20050154535A1 (en) | 2004-01-09 | 2005-07-14 | Genstruct, Inc. | Method, system and apparatus for assembling and using biological knowledge |
US20070225956A1 (en) | 2006-03-27 | 2007-09-27 | Dexter Roydon Pratt | Causal analysis in complex biological systems |
CA2700558A1 (en) * | 2007-09-26 | 2009-04-02 | Genstruct, Inc. | Software assisted methods for probing the biochemical basis of biological states |
US8676815B2 (en) * | 2008-05-07 | 2014-03-18 | City University Of Hong Kong | Suffix tree similarity measure for document clustering |
US8370313B2 (en) * | 2009-06-10 | 2013-02-05 | James Snow | Scoring nodes in a directed graph with positive and negative links |
US8756182B2 (en) * | 2010-06-01 | 2014-06-17 | Selventa, Inc. | Method for quantifying amplitude of a response of a biological network |
-
2013
- 2013-12-27 EP EP13868236.4A patent/EP2939164B1/en active Active
- 2013-12-27 WO PCT/US2013/077910 patent/WO2014106003A1/en active Application Filing
- 2013-12-27 CN CN201380073855.0A patent/CN105393253A/zh active Pending
- 2013-12-27 CA CA2896732A patent/CA2896732A1/en not_active Abandoned
- 2013-12-27 JP JP2015550782A patent/JP6372892B2/ja not_active Expired - Fee Related
-
2015
- 2015-06-26 US US14/751,204 patent/US10878312B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005243024A (ja) * | 2004-02-23 | 2005-09-08 | Agilent Technol Inc | インタラクティブな生物学的図表を構築するためのシステム、ツール及び方法 |
JP2008532460A (ja) * | 2006-03-24 | 2008-08-14 | ビ−エイイ− システムズ パブリック リミテッド カンパニ− | ネットワーク処理に関する改善 |
WO2012168483A1 (en) * | 2011-06-10 | 2012-12-13 | Philip Morris Products S.A. | Systems and methods for network-based biological activity assessment |
Non-Patent Citations (2)
Title |
---|
DAVID J. ALDOUS: "The Random Walk Construction of Uniform Spanning Trees and Uniform Labelled Trees", SIAM JOURNAL ON DISCRETE MATHEMATICS VOLUME 3 ISSUE 4, JPN6017041483, 1 November 1990 (1990-11-01), US, ISSN: 0003672541 * |
FLORIAN MARTIN ET AL: "Assessment of network perturbation amplitudes by applying high-throughput data to causal biological", BMC SYSTEMS BIOLOGY (2012) 6: 54, JPN6017041481, 31 May 2012 (2012-05-31), pages 1 - 18, ISSN: 0003672540 * |
Also Published As
Publication number | Publication date |
---|---|
JP6372892B2 (ja) | 2018-08-15 |
EP2939164A4 (en) | 2016-09-21 |
US20150294218A1 (en) | 2015-10-15 |
EP2939164B1 (en) | 2021-09-15 |
US10878312B2 (en) | 2020-12-29 |
CN105393253A (zh) | 2016-03-09 |
CA2896732A1 (en) | 2014-07-03 |
WO2014106003A1 (en) | 2014-07-03 |
EP2939164A1 (en) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Skinnider et al. | Chemical language models enable navigation in sparsely populated chemical space | |
Wang et al. | Deep learning library testing via effective model generation | |
Geng et al. | iSEE: Interface structure, evolution, and energy‐based machine learning predictor of binding affinity changes upon mutations | |
CN109712678B (zh) | 关系预测方法、装置及电子设备 | |
Ba-Alawi et al. | DASPfind: new efficient method to predict drug–target interactions | |
Myers et al. | A simple clustering algorithm can be accurate enough for use in calculations of pKs in macromolecules | |
Liu et al. | Prediction of the blood–brain barrier (BBB) permeability of chemicals based on machine-learning and ensemble methods | |
JP2018173969A (ja) | アンサンブルに基づいたリサーチ・レコメンデーションシステムおよび方法 | |
Zakharov et al. | A new approach to radial basis function approximation and its application to QSAR | |
Bruneau et al. | logD 7.4 modeling using Bayesian regularized neural networks. Assessment and correction of the errors of prediction | |
JP2019016361A (ja) | 細胞系ゲノミクスからの薬物応答の患者特異的予測のためのシステムおよび方法 | |
JP6372892B2 (ja) | 機構的ネットワークモデルを使用した生物学的影響の定量評価 | |
Fryett et al. | Investigation of prediction accuracy and the impact of sample size, ancestry, and tissue in transcriptome‐wide association studies | |
Wang et al. | Herb target prediction based on representation learning of symptom related heterogeneous network | |
Deeb et al. | Exploring QSARs for inhibitory activity of non‐peptide HIV‐1 protease inhibitors by GA‐PLS and GA‐SVM | |
Di Lascio et al. | Systematic evaluation of local and global machine learning models for the prediction of ADME properties | |
Xu et al. | A network embedding model for pathogenic genes prediction by multi-path random walking on heterogeneous network | |
Cai et al. | Joint modeling of longitudinal, recurrent events and failure time data for survivor's population | |
Dash et al. | Gradient gravitational search: an efficient metaheuristic algorithm for global optimization | |
JP2016099674A (ja) | 薬剤探索装置、薬剤探索方法およびプログラム | |
US20160321393A1 (en) | Quantitative assessment of biological impact using overlap methods | |
Zambrana et al. | Network neighbors of viral targets and differentially expressed genes in COVID-19 are drug target candidates | |
Amara et al. | Explaining compound activity predictions with a substructure-aware loss for graph neural networks | |
Dittwald et al. | BRAIN 2.0: time and memory complexity improvements in the algorithm for calculating the isotope distribution | |
Dehmer et al. | Entropy bounds for hierarchical molecular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20161222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20171031 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20180129 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20180327 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180426 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180612 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20180712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180712 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6372892 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |