進(jìn)入21世紀(jì)以來(lái),以高通量測(cè)序?yàn)榇淼纳锛夹g(shù)已經(jīng)能夠從生物系統(tǒng)水平上檢測(cè)基因表達(dá)信號(hào),這些生物數(shù)字信號(hào)的不斷積累為數(shù)學(xué)、統(tǒng)計(jì)以及信號(hào)處理等領(lǐng)域的科研人員提供了新的研究素材和機(jī)遇�；诨虮磉_(dá)信號(hào)的分析逆向推測(cè)基因之間的表達(dá)調(diào)控關(guān)系,也就是基因調(diào)控網(wǎng)絡(luò)重構(gòu),是計(jì)算生物學(xué)中的一項(xiàng)重要研究課題。在本文中,從基因調(diào)控調(diào)控網(wǎng)絡(luò)的稀疏結(jié)構(gòu)特性出發(fā),利用信號(hào)處理領(lǐng)域中的稀疏表示理論,分析基因表達(dá)信號(hào)并重構(gòu)基因調(diào)控網(wǎng)絡(luò)。按照此思路,我們開(kāi)發(fā)出了若干種基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法。大體上講,本文的研究工作和成果概括為下三個(gè)方面:(1)針對(duì)基因調(diào)控稀疏表示模型中的稀疏度超參數(shù)估計(jì)問(wèn)題,將之轉(zhuǎn)化為稀疏表示模型的選擇問(wèn)題。然后,通過(guò)賦予稀疏表示模型與其稀疏度呈正相關(guān)的先驗(yàn)概率,利用貝葉斯信息準(zhǔn)則計(jì)算不同稀疏表示模型的后驗(yàn)概率,最后綜合比較分析,選擇誤差最小、稀疏度最高的作為最優(yōu)模型。這種利用稀疏度預(yù)估計(jì)思路的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法被命名為BicGSR。在模擬基因表達(dá)數(shù)據(jù)、真實(shí)的原核生物E.coli基因表達(dá)數(shù)據(jù)和真實(shí)的真核生物S.cerevisiae基因表達(dá)數(shù)據(jù)上,和多種當(dāng)前的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法的對(duì)比實(shí)驗(yàn)表明,所提出...

【文章頁(yè)數(shù)】：115 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 基因調(diào)控網(wǎng)絡(luò)重構(gòu)研究的發(fā)展和現(xiàn)狀
        1.2.1 起源和發(fā)展
        1.2.2 標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)
        1.2.3 代表性方法
        1.2.4 當(dāng)前存在的一些問(wèn)題
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 基于稀疏表示的基因調(diào)控網(wǎng)絡(luò)重構(gòu)相關(guān)工作
    2.1 基因調(diào)控網(wǎng)絡(luò)相關(guān)生物學(xué)知識(shí)
        2.1.1 基因及其表達(dá)與調(diào)控網(wǎng)絡(luò)
        2.1.2 基因調(diào)控網(wǎng)絡(luò)重構(gòu)
    2.2 稀疏表示理論簡(jiǎn)介
        2.2.1 稀疏表示理論的基本概念和數(shù)學(xué)模型
        2.2.2 基于稀疏表示的字典學(xué)習(xí)
    2.3 基于稀疏表示的基因調(diào)控網(wǎng)絡(luò)重構(gòu)
        2.3.1 基因調(diào)控網(wǎng)絡(luò)的稀疏結(jié)構(gòu)
        2.3.2 基因調(diào)控網(wǎng)絡(luò)重構(gòu)與稀疏表示
    2.4 本章小結(jié)
3 基于稀疏度預(yù)估計(jì)的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法
    3.1 引言
    3.2 BicGSR方法
        3.2.1 BicGSR方法概述
        3.2.2 基因調(diào)控的稀疏線性回歸模型
        3.2.3 貝葉斯信息準(zhǔn)則與mBIC
        3.2.4 稀疏度估計(jì)
        3.2.5 實(shí)驗(yàn)數(shù)據(jù)集
        3.2.6 性能評(píng)估指標(biāo)
    3.3 BicGSR實(shí)驗(yàn)結(jié)果分析
        3.3.1 模擬數(shù)據(jù)I上的實(shí)驗(yàn)結(jié)果
        3.3.2 模擬數(shù)據(jù)II上的實(shí)驗(yàn)結(jié)果
        3.3.3 真實(shí)模式生物基因表達(dá)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果
        3.3.4 不同重構(gòu)算法運(yùn)行時(shí)間比較
        3.3.5 mBIC對(duì)網(wǎng)絡(luò)重構(gòu)性能的提升
        3.3.6 稀疏度對(duì)網(wǎng)絡(luò)重構(gòu)新能的影響
    3.4 討論和結(jié)論
    3.5 本章小結(jié)
4 基于字典學(xué)習(xí)的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法
    4.1 引言
    4.2 OURM方法
        4.2.1 全局基因調(diào)控系統(tǒng)
        4.2.2 隱含調(diào)控因子學(xué)習(xí)
        4.2.3 基因調(diào)控關(guān)系推斷
        4.2.4 重構(gòu)性能評(píng)估指標(biāo)
        4.2.5 軟件獲取
    4.3 OURM實(shí)驗(yàn)結(jié)果分析
        4.3.1 模擬數(shù)據(jù)I上的實(shí)驗(yàn)結(jié)果
        4.3.2 模擬數(shù)據(jù)II上的實(shí)驗(yàn)結(jié)果
        4.3.3 真實(shí)的模式生物數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果
    4.4 討論和結(jié)論
    4.5 本章小結(jié)
5 融合字典學(xué)習(xí)和重采樣的肺癌基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法
    5.1 引言
    5.2 dlGRN方法
        5.2.1 dlGRN方法概覽
        5.2.2 全局基因調(diào)控網(wǎng)絡(luò)模型
        5.2.3 調(diào)控關(guān)系置信度計(jì)算
        5.2.4 小樣本問(wèn)題的解決思路
        5.2.5 性能評(píng)估指標(biāo)
        5.2.6 五種數(shù)據(jù)集
        5.2.7 腫瘤細(xì)胞培養(yǎng)
        5.2.8 RNA提取和實(shí)時(shí)定量PCR
        5.2.9 軟件獲取
    5.3 dlGRN實(shí)驗(yàn)結(jié)果分析
        5.3.1 學(xué)習(xí)原子調(diào)控因子
        5.3.2 dlGRN方法的網(wǎng)絡(luò)重構(gòu)性能評(píng)估
        5.3.3 肺癌基因調(diào)控網(wǎng)絡(luò)的拓?fù)涮匦苑治?br>        5.3.4 前饋環(huán)結(jié)構(gòu)分析
        5.3.5 肺癌熱點(diǎn)基因EGFR的轉(zhuǎn)錄因子
        5.3.6 肺癌DNA甲基化調(diào)控分析
        5.3.7 不同類(lèi)型生物基因調(diào)控系統(tǒng)復(fù)雜度比較
    5.4 討論和結(jié)論
    5.5 本章小結(jié)
6 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀博士期間科研成果
致謝



本文編號(hào)：3844609