基于潜在调控因子筛选的高阶动态贝叶斯建模方法

doi:10.12068/j.issn.1005-3026.2023.03.003

东北大学学报（自然科学版） ›› 2023, Vol. 44 ›› Issue (3): 323-330.DOI: 10.12068/j.issn.1005-3026.2023.03.003

基于潜在调控因子筛选的高阶动态贝叶斯建模方法

李婵¹，曲璐渲¹，信俊昌^2,3，王之琼¹

(1. 东北大学医学与生物信息工程学院，辽宁沈阳110169; 2. 东北大学计算机科学与工程学院，辽宁沈阳110169; 3. 辽宁省大数据管理与分析重点实验室，辽宁沈阳110169)

修回日期:2022-01-14 接受日期:2022-01-14 发布日期:2023-03-24
通讯作者: 李婵
作者简介:李婵(1994-)，女，河北邯郸人，东北大学硕士研究生; 信俊昌(1977-)，男，辽宁辽阳人，东北大学教授，博士生导师; 王之琼(1980-)，女，黑龙江哈尔滨人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(62072089)；中央高校基本科研业务费专项资金资助项目(N2116016， N2104001， N2019007， N2224001-10).

High-Order Dynamic Bayesian Network Modelling Method Based on Potential Regulatory Factors Screening

LI Chan¹， QU Lu-xuan¹， XIN Jun-chang^2,3， WANG Zhi-qiong¹

1. College of Medicine & Biological Information Engineering， Northeastern University， Shenyang 110169， China; 2. School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China; 3. Key Laboratory of Big Data Management and Analytics

Revised:2022-01-14 Accepted:2022-01-14 Published:2023-03-24
Contact: WANG Zhi-qiong
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了解决目前用于构建基因调控网络的方法中所存在的网络构建准确率低、网络构建时间过长等问题，以及减小网络构建的复杂度，提高网络构建效率，提出了一种基于潜在调控因子筛选的高阶动态贝叶斯网络建模方法(high-order dynamic Bayesian network modeling method based on potential regulatory factor screening， PRS-HO-DBN).该方法将关联模型与高阶动态贝叶斯网络模型相结合，首先利用潜在调控因子筛选的方法在不同的时间延迟下删除与目标基因关联程度较低的基因，保留与目标基因关联程度较高的基因并作为目标基因的潜在调控因子集，以减小搜索空间;然后利用高阶动态贝叶斯模型进行结构学习，以提高网络构建的精确率.与其他的网络构建模型方法相比，该方法可以极大地缩短网络构建的时间，提升效率和精确度.

关键词: 基因调控网络;潜在调控因子;高阶动态贝叶斯网络;关联模型;结构学习

Abstract: In order to solve the problems of low network construction accuracy and long network construction time in the current methods used to construct gene regulatory networks， so as to reduce the complexity of network construction and improve the efficiency of network construction， a method called high-order dynamic Bayesian network modelling method based on potential regulatory factors screening (PRS-HO-DBN) was proposed. The method combines the correlation model with the high-order dynamic Bayesian network model. Firstly， the potential regulatory factor screening method is used to delete the genes with low association with the target gene under different time delays， and retain the genes with high association with the target gene as the potential regulatory factor set of the target gene to reduce the search space. Then the high-order dynamic Bayesian model is used for structure learning to improve the accuracy of network construction. Compared with other methods， the method can greatly reduce network construction time and improve efficiency and accuracy.

Key words: gene regulatory networks; potential regulatory factors; high-order dynamic Bayesian network; correlation model; structure learning

中图分类号:

TP181

李婵，曲璐渲，信俊昌，王之琼. 基于潜在调控因子筛选的高阶动态贝叶斯建模方法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 323-330.

LI Chan， QU Lu-xuan， XIN Jun-chang， WANG Zhi-qiong. High-Order Dynamic Bayesian Network Modelling Method Based on Potential Regulatory Factors Screening[J]. Journal of Northeastern University(Natural Science), 2023, 44(3): 323-330.

参考文献

[1]Castelletti F，Rocca L L，Peluso S，et al.Bayesian learning of multiple directed networks from observational data［J］.Statistics in Medicine，2020，39(30):4745-4766.
[2]Chai L E，Mohamad M S，Deris S，et al.A dynamic Bayesian network-based model for inferring gene regulatory networks from gene expression data［J］.International Journal of Bio-science & Bio-technology，2015，6(1):41-52.
[3]曲璐渲，郭上慧，王之琼，等.基因调控网络的父节点筛选贝叶斯建模方法［J］.东北大学学报(自然科学版)，2020，41(2):158-162.(Qu Lu-xuan，Guo Shang-hui，Wang Zhi-qiong，et al.Modelling of gene regulatory networks by parent node screening-based Bayesian method［J］.Journal of Northeastern University(Natural Science)，2020，41(2):158-162.)
[4]Zhang X，Jian Y，Xu Z.A semi-supervised learning algorithm for predicting four types MiRNA-disease associations by mutual information in a heterogeneous network［J］.Genes，2018，9(3):139-154.
[5]Qu L，Wang Z，Li C，et al.Dynamic Bayesian network modeling based on structure prediction for gene regulatory network［J］.IEEE Access，2021，9:123616-123634.
[6]Chaitankar V，Ghosh P，Perkins E J，et al.A novel gene network inference algorithm using predictive minimum description length approach［J］.BMC Systems Biology，2010，4(sup1):S1-S7.
[7]Zhao W，Serpedin E，Dougherty A E R.Inferring gene regulatory networks from time series data using the minimum description length principle［J］.Bioinformatics，2006，22(17):2129-2135.
[8]Xing L，Guo M，Liu X，et al.Gene regulatory networks reconstruction using the flooding-pruning hill-climbing algorithm［J］.Genes，2018，9(7):342.
[9]Vinh N X，Chetty M，Coppel R，et al.GlobalMIT:learning globally optimal dynamic Bayesian network with the mutual information test criterion［J］.Bioinformatics，2011，27(19):2765-2766.
[10]Vinh N X，Chetty M，Coppel R，et al.Gene regulatory network modeling via global optimization of high-order dynamic Bayesian network［J］.BMC Bioinformatics，2012，13:131.
[11]Schaffter T，Marbach D，Floreano D.GeneNetWeaver:in silico benchmark generation and performance profiling of network inference methods［J］.Bioinformatics，2011，27(16):2263-2270.

[1]	曲璐渲，郭上慧，王之琼，信俊昌. 基因调控网络的父节点筛选贝叶斯建模方法[J]. 东北大学学报:自然科学版, 2020, 41(2): 158-162.
[2]	李壮，刘磊，张桐搏，吕帅. 基于重启策略的学习子句优化方法[J]. 东北大学学报:自然科学版, 2020, 41(1): 44-48.
[3]	马铁民，周福才，王爽. 基于用户相似度的随机游走社交网络事件推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1533-1538.
[4]	刘鹏，杜佳芝，吕伟刚，窦明武. 面向不平衡数据集的一种改进的k-近邻分类器[J]. 东北大学学报:自然科学版, 2019, 40(7): 932-936.
[5]	吕帅，张桐搏，王强，刘磊. 两种新的基于扩展规则#SAT问题求解算法[J]. 东北大学学报:自然科学版, 2019, 40(5): 630-635.
[6]	王珏，乔建忠，林树宽. 基于距离和时序的层次粒度支持向量回归机[J]. 东北大学学报:自然科学版, 2016, 37(7): 942-946.
[7]	顾德英，王娜，李文超，陈龙. 基于模型融合的低照度环境下车道线检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 305-309.
[8]	王姝，关展旭，王晶，孙晓辉. 基于迁移学习的贝叶斯网络参数学习方法[J]. 东北大学学报（自然科学版）, 2021, 42(4): 509-515.
[9]	王姝，任玉，关展旭，王晶. 基于差异信息量的多源数据融合方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1246-1253.
[10]	常玉清，赵炜炜，刘乐源，康孝云. 基于实例迁移的磨煤机过程监测建模[J]. 东北大学学报（自然科学版）, 2021, 42(10): 1369-1375.
[11]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[12]	丁来旭，刘洪娟. 复杂网络上基于多维特征表示学习的推荐算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 359-367.
[13]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[14]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[15]	王瀛，王泽浩，李红，黄文军. 基于深度学习的威胁情报领域命名实体识别[J]. 东北大学学报（自然科学版）, 2023, 44(1): 33-39.

基于潜在调控因子筛选的高阶动态贝叶斯建模方法

High-Order Dynamic Bayesian Network Modelling Method Based on Potential Regulatory Factors Screening

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价