清华大学学报(自然科学版)
清華大學學報(自然科學版)
청화대학학보(자연과학판)
JOURNAL OF TSINGHUA UNIVERSITY SCIENCE AND TECHNOLOGY
2008年
7期
1173-1177
,共5页
张妤%邓志东%孙欣%贾培发
張妤%鄧誌東%孫訢%賈培髮
장여%산지동%손흔%가배발
基因调控网络%动态Bayesian网络%结构期望最大%粒子滤波%多数据融合
基因調控網絡%動態Bayesian網絡%結構期望最大%粒子濾波%多數據融閤
기인조공망락%동태Bayesian망락%결구기망최대%입자려파%다수거융합
为了精确建模与推断基因调控网络,提出一种基于动态Bayesian网络的多数据融合方法(SP-DBN).该方法利用结构期望最大算法进行未知结构学习,基于粒子滤波方法完成参数学习,可有效处理数据缺失与噪声问题,更好地捕捉数据中固有的动态特性,并通过其先验结构,在基因表达数据的基础上,自然地融合转录因子绑定位点等多数据源信息.基于酿酒酵母的真实数据,实验结果表明: 对于仅采用基因表达数据的情况, SP-DBN的敏感度与特异度分别提高到19%和95%;融入绑定位点数据后, SP-DBN的敏感度可从19%进一步提升至20%, 而特异度则仍保持在95%的水平.
為瞭精確建模與推斷基因調控網絡,提齣一種基于動態Bayesian網絡的多數據融閤方法(SP-DBN).該方法利用結構期望最大算法進行未知結構學習,基于粒子濾波方法完成參數學習,可有效處理數據缺失與譟聲問題,更好地捕捉數據中固有的動態特性,併通過其先驗結構,在基因錶達數據的基礎上,自然地融閤轉錄因子綁定位點等多數據源信息.基于釀酒酵母的真實數據,實驗結果錶明: 對于僅採用基因錶達數據的情況, SP-DBN的敏感度與特異度分彆提高到19%和95%;融入綁定位點數據後, SP-DBN的敏感度可從19%進一步提升至20%, 而特異度則仍保持在95%的水平.
위료정학건모여추단기인조공망락,제출일충기우동태Bayesian망락적다수거융합방법(SP-DBN).해방법이용결구기망최대산법진행미지결구학습,기우입자려파방법완성삼수학습,가유효처리수거결실여조성문제,경호지포착수거중고유적동태특성,병통과기선험결구,재기인표체수거적기출상,자연지융합전록인자방정위점등다수거원신식.기우양주효모적진실수거,실험결과표명: 대우부채용기인표체수거적정황, SP-DBN적민감도여특이도분별제고도19%화95%;융입방정위점수거후, SP-DBN적민감도가종19%진일보제승지20%, 이특이도칙잉보지재95%적수평.