【摘要】：在生物信息學的研究中,疾病和健康個體在微生物方面的差異對探討疾病機理和優(yōu)化治療方案有重要意義。在數(shù)學角度來看,這主要表現(xiàn)為微生物豐度的差異和微生物之間相互作用強度的差異。本論文基于11組不同處理的小鼠腸道內(nèi)微生物豐度的時間序列數(shù)據(jù),運用概率論、微分方程和概率圖模型,來研究各種微生物豐度的置信區(qū)間和它們在各種中藥影響下的顯著性變化趨勢;同時,也應用動態(tài)貝葉斯網(wǎng)絡等算法來發(fā)現(xiàn),在中藥作用之下哪些微生物之間的互作得以加強,哪些互作得以削弱,并分析其可能的原因。詳細來說,第一,本文以經(jīng)典統(tǒng)計學中正態(tài)分布總體均值的置信區(qū)間相關知識為基礎,提出了一套在不同實驗條件下,研究實驗對象是否發(fā)生顯著性變化的分析方法,并依此給出了在中藥作用的條件下,微生物豐度變化的統(tǒng)計顯著性。第二,為了比較各種網(wǎng)絡構(gòu)建方法(fastLSA、SPIEC-EASI、CoNet、靜態(tài)貝葉斯網(wǎng)絡和動態(tài)貝葉斯網(wǎng)絡)的優(yōu)劣(Sensitivity、Specificity、Precision、F1 score、Accuracy、Matthews Correlation Coefficient),我們還專門構(gòu)建了微生物豐度時間序列的模擬算法和程序,以Scale-free網(wǎng)絡為模板,利用廣義Lotka-Volterra方程模擬產(chǎn)生了2000組包含70個微生物和20個時間點的微生物時間序列豐度數(shù)據(jù)。利用這些數(shù)據(jù)來檢驗網(wǎng)絡構(gòu)建算法的效果,我們發(fā)現(xiàn)動態(tài)貝葉斯網(wǎng)絡算法具有突出的Specificity、Sensitivity和Accuracy。第三,本文編寫了動態(tài)貝葉斯網(wǎng)絡構(gòu)建軟件,對11組小鼠腸道微生物時間序列數(shù)據(jù)分別建網(wǎng);并根據(jù)互信息的大小,發(fā)現(xiàn)了在不同藥物作用下,關聯(lián)性顯著變化的重要微生物的節(jié)點對;最后利用數(shù)學和化學中的順連和分連的思想,基于KEGG數(shù)據(jù)庫和中藥有效成分,給出了關聯(lián)性存在差異的可能原因。
【圖文】：

10圖2-1 置信區(qū)間分析結(jié)果圖圖 2-1 的下圖展示了每種微生物的置信區(qū)間結(jié)果（只展示區(qū)間長度大于 0.1 的置信區(qū)間結(jié)果），上圖的熱圖每一行代表一種中藥，每一列代表一種微生物，灰色方格代表對應中藥組“處理組”的樣本點均值（以下稱均值）在“對照組”樣本點估計的置信區(qū)間（以下稱置信區(qū)間）之內(nèi)，，紅色方格代表均值落在置信區(qū)間的左側(cè)，黑色方格代表均值落在置信區(qū)間的右側(cè)。表 2-5 展示了豐度顯著增加的那些微生物，并且標明了是在哪種中藥作用下增加的，同時也給出了增加顯著性的 p 值，表 2-6 展示了豐度顯著減少的那些微生物，并且標明了是在哪種中藥作用下減少的，同時給出了減少顯著性的 p 值

3.5 網(wǎng)絡構(gòu)建推理算法比較結(jié)果基于模擬生成的2000組微生物時間序列豐度數(shù)據(jù)，我們比較了靜態(tài)貝葉斯網(wǎng)絡、動態(tài)貝葉斯網(wǎng)絡，fastLSA，SPIEC-EASI 和 CoNet 的優(yōu)劣，看看它們能否正確各各模擬微生物之間的相互作用關系，也就是能否正確各各廣義 Lotka-Volterra 方程中的系數(shù)矩陣相對應位置是 0 還是 1。也即將各各兩個物種之間是否有相互作用的問題轉(zhuǎn)化成了一個二分類的問題。對于每一種算法，我們都計算了它們的 Sensitivity,Specificity, Precisicion, F1 score, Accuracy 和 MCC，具體結(jié)果如圖 4-1 所示。動態(tài)貝葉斯網(wǎng)絡算法具有突出的 Specificity、Sensitivity 和 Accuracy。此外，貝葉斯算法的F1 score 和 MCC 也與其他算法之間也存在可比性。
【學位授予單位】：河北科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：Q811.4

【相似文獻】

相關期刊論文 前10條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉(zhuǎn)換的時間序列分類方法[J];計算機應用;2017年02期

2 王金策;楊寧;;時間序列趨勢預測[J];現(xiàn)代計算機(專業(yè)版);2017年02期

3 彭佳星;肖基毅;;基于分型轉(zhuǎn)折點的證券時間序列分段表示法[J];商;2016年31期

4 劉偉龍;;基于ARMA模型的股價預測及實證研究[J];智富時代;2017年02期

5 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

6 王嵬;;王嵬作品[J];當代油畫;2017年07期

7 劉明華;張晉昕;;時間序列的異常點診斷方法[J];中國衛(wèi)生統(tǒng)計;2011年04期

8 郭崇慧;蘇木亞;;基于獨立成分分析的時間序列譜聚類方法[J];系統(tǒng)工程理論與實踐;2011年10期

9 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機研究與發(fā)展;2011年S3期

10 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學報;2010年02期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 劉峰;毛海波;孫雪梅;王雨;宋立華;費韜;;基于時間序列的交流特高壓變電站GIS六氟化硫壓力異常分析[A];浙江省電力學會2018年度優(yōu)秀論文集[C];2018年

3 張可;李媛;柴毅;黃磊;;基于分段趨勢的符號化時間序列聚類表示[A];第37屆中國控制會議論文集（D）[C];2018年

4 徐光晶;;統(tǒng)計學在大地電磁測深時間序列處理中的應用[A];2017中國地球科學聯(lián)合學術年會論文集（二十九）——專題57：電磁地球物理學研究及其應用[C];2017年

5 毛宇清;王詠青;王革麗;;支持向量機方法應用于理想時間序列的預測研究[A];中國氣象學會2008年年會氣候預測研究與預測方法分會場論文集[C];2008年

6 吳麗娜;黃領梅;沈冰;呂繼強;;黃河上游降水時間序列混沌特性識別與預測年限分析[A];水系統(tǒng)與水資源可持續(xù)管理——第七屆中國水論壇論文集[C];2009年

7 吳堅忠;路子愚;鄭應平;;時間序列社會悖論模型及分析[A];1989年控制理論及其應用年會論文集（上）[C];1989年

8 雷敏;孟光;謝洪波;Kerreie Mengersen;Peter Bartlett;;嵌入維數(shù)對復雜時間序列的熵分析的影響研究[A];中國力學大會-2015論文摘要集[C];2015年

9 王兆甲;王海良;;一種相似時間序列挖掘算法及其在汽車運動分析中的應用[A];2014中國汽車工程學會年會論文集[C];2014年

10 林忠輝;莫興國;薛玲;;用NDVI時間序列確定作物物侯和作物類型判別[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

相關重要報紙文章 前10條

1 王曉寶 楊永恒 永安期貨;淺析波動率的均值回復特征[N];期貨日報;2017年

2 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

3 國家統(tǒng)計局核算司 呂峰;不變價GDP時間序列數(shù)據(jù)的構(gòu)造[N];中國信息報;2016年

4 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

5 何德旭 王朝陽;時間序列計量經(jīng)濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

6 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

7 卞紀;我國多時間序列濕地遙感制圖完成[N];中國氣象報;2011年

8 權(quán)證一級交易商 國信證券;正股走勢及時間序列主導下半年權(quán)證市場運行結(jié)構(gòu)[N];證券時報;2006年

9 廣發(fā)期貨股指研究小組 謝貞聯(lián);Hurst指數(shù)提示市場升勢或?qū)⑿纬蒣N];上海證券報;2012年

10 丁睿 中糧期貨研究院;試論指數(shù)HP濾波分析法的應用[N];期貨日報;2014年

相關博士學位論文 前10條

1 康峻;基于時間序列遙感數(shù)據(jù)的植被精細分類與覆蓋度反演研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

2 林蕾;基于循環(huán)神經(jīng)網(wǎng)絡模型的遙感影像時間序列分類及變化檢測方法研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

3 丁紅;柳江徑流分析與預測研究[D];武漢理工大學;2016年

4 馬俊;GPS坐標時間序列嚴密三維噪聲模型建立方法[D];武漢大學;2018年

5 周超;集成時間序列InSAR技術的滑坡早期識別與預測研究[D];中國地質(zhì)大學;2018年

6 丁超;MODIS時間序列重建方法與應用[D];中國地質(zhì)大學(北京);2018年

7 魏永強;煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預測研究[D];中國礦業(yè)大學(北京);2015年

8 楊玉軍;基于機器學習的時間序列模型研究及其應用[D];電子科技大學;2018年

9 魯韻帆;隨機交互金融模型的構(gòu)建及金融時間序列的統(tǒng)計分析[D];北京交通大學;2018年

10 郭珩;復雜網(wǎng)絡在非線性時間序列分析中的應用[D];華東師范大學;2018年

相關碩士學位論文 前10條

1 吳亞彬;基于情感時間序列的P2P網(wǎng)貸企業(yè)輿情態(tài)勢研判技術研究與實現(xiàn)[D];北京郵電大學;2019年

2 原媛;量化交易中數(shù)據(jù)分析技術的研究與實現(xiàn)[D];北京郵電大學;2019年

3 宋駿;基于時間序列的UGC數(shù)量與質(zhì)量預測技術研究[D];北京郵電大學;2019年

4 王晶;多源時間序列數(shù)據(jù)的建模分析與預測[D];北京郵電大學;2019年

5 胡姣姣;基于深度學習的飛行器遙測時間序列數(shù)據(jù)異常檢測與預測方法研究[D];西安理工大學;2019年

6 白曉剛;時間序列互作網(wǎng)絡及在宏基因組中的應用[D];河北科技大學;2019年

7 孫鐵凝;回聲狀態(tài)網(wǎng)絡優(yōu)化及其應用研究[D];廣西師范大學;2019年

8 韓如愿;兩種基于數(shù)據(jù)驅(qū)動的庫存預測方法研究[D];廈門大學;2017年

9 曹西娟;模糊時間序列在鉆井風險概率中的預測及應用[D];西南石油大學;2018年

10 王子一;基于特征提取的時間序列分類方法的研究[D];南京大學;2019年

本文編號：2617673