在生物體內(nèi),用于控制生物性狀的基因無法獨立工作,它們之間很可能存在一定的相互作用。在基因表達過程中,基因之間的相互調(diào)控關(guān)系構(gòu)成了錯綜復(fù)雜的基因調(diào)控網(wǎng)絡(luò)(Gene Regulatory Network,GRN)。GRN的結(jié)構(gòu)推斷對于識別基因功能、從分子水平上理解生物內(nèi)部的工作機理及調(diào)控機制等具有十分重要的意義,在系統(tǒng)生物學(xué)中占據(jù)了核心地位,是當(dāng)前的研究熱點之一。基因表達數(shù)據(jù)通常具有高維度、小樣本的特點,所以在基于基因表達數(shù)據(jù)來推斷GRN的結(jié)構(gòu)時,采用生物實驗的方法分別檢驗每對基因之間的交互關(guān)系是不現(xiàn)實的。因此,一般的做法是:首先采用特定的計算模型對GRN進行建模,然后設(shè)計適當(dāng)?shù)臋C器學(xué)習(xí)算法來完成對模型的學(xué)習(xí)和推斷。由此可以引出兩個重要的問題,即參數(shù)模型的選擇問題和參數(shù)估計方法的設(shè)計問題。目前,各種不同的參數(shù)模型在GRN的推斷問題中都已經(jīng)得到了廣泛應(yīng)用,其中,大多數(shù)模型都只能利用基因表達數(shù)據(jù)來進行網(wǎng)絡(luò)推斷。但實際上,一些由實驗產(chǎn)生或自然發(fā)生的基因擾動也很可能會影響GRN的結(jié)構(gòu),如果將這些基因擾動數(shù)據(jù)也考慮在內(nèi),那么GRN推斷的準(zhǔn)確率就可以得到進一步的提搞。結(jié)構(gòu)方程模型(Structural...

【文章頁數(shù)】：102 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 單一條件下的GRN結(jié)構(gòu)的推斷
        1.2.2 不同條件下的差異GRN結(jié)構(gòu)的推斷
    1.3 本文主要研究工作
    1.4 論文組織結(jié)構(gòu)
第2章 單一條件下的GRN建模及其推斷方法概述
    2.1 常用的GRN建模方法及其相關(guān)推斷算法
        2.1.1 布爾網(wǎng)絡(luò)模型
        2.1.2 相關(guān)性網(wǎng)絡(luò)
        2.1.3 貝葉斯網(wǎng)絡(luò)
        2.1.4 回歸分析模型
        2.1.5 高斯圖模型
        2.1.6 結(jié)構(gòu)方程模型SEM
    2.2 GRN推斷模型的優(yōu)缺點分析
    2.3 GRN推斷算法的評價指標(biāo)
第3章 基于NEG層次先驗的貝葉斯推斷算法
    3.1 引言
    3.2 模型與方法
        3.2.1 基于SEM構(gòu)建的GRN模型
        3.2.2 模型可識別性分析
        3.2.3 模型重參數(shù)化
        3.2.4 貝葉斯LASSO
        3.2.5 基于NEG先驗的貝葉斯自適應(yīng)推斷算法
    3.3 實驗分析
        3.3.1 合成數(shù)據(jù)模擬實驗與分析
        3.3.2 真實數(shù)據(jù)實驗分析
    3.4 討論與總結(jié)
第4章 基于近端梯度優(yōu)化的差異GRN聯(lián)合推斷算法
    4.1 引言
    4.2 模型與方法
        4.2.1 基于SEM構(gòu)建的差異GRN聯(lián)合優(yōu)化模型
        4.2.2 Diff SSEM算法概述
        4.2.3 模型變換
        4.2.4 差異GRN聯(lián)合優(yōu)化模型轉(zhuǎn)換及參數(shù)優(yōu)化
    4.3 實驗分析
        4.3.1 合成數(shù)據(jù)模擬實驗與分析
        4.3.2 真實數(shù)據(jù)實驗分析
    4.4 討論與總結(jié)
第5章 基于模型重參數(shù)化方法的差異GRN聯(lián)合推斷算法
    5.1 引言
    5.2 模型與方法
        5.2.1 模型構(gòu)建
        5.2.2 重參數(shù)化整合模型
        5.2.3 重參數(shù)化模型的貝葉斯推斷
    5.3 實驗分析
        5.3.1 合成數(shù)據(jù)模擬實驗與分析
        5.3.2 真實數(shù)據(jù)實驗分析
    5.4 討論與總結(jié)
第6章 基于貝葉斯融合先驗的差異GRN聯(lián)合推斷算法
    6.1 引言
    6.2 模型與方法
        6.2.1 線性回歸模型的貝葉斯融合LASSO
        6.2.2 聯(lián)合推斷模型
        6.2.4 貝葉斯融合推斷算法BFDSEM
    6.3 實驗分析
        6.3.1 合成數(shù)據(jù)模擬實驗與分析
        6.3.2 真實數(shù)據(jù)實驗分析
    6.4 討論與總結(jié)
第7章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 未來的工作展望
參考文獻
作者簡介及在學(xué)期間所取得的科研成果
致謝



本文編號：3759222