非齐次基因调控网络模型研究综述

在生物信息学领域中,基因调控网络的构建至关重要。近年来,非齐次动态贝叶斯网络已成为从基因表达时间序列数据中学习基因调控网络的一种常用建模工具。针对这一研究领域,梳理了基于齐次动态贝叶斯网络的基因调控网络建模方法,并从时间片划分方式和基因调控网络参数学习,综述了近十几年提出的非齐次动态贝叶斯模型,主要内容包括:时间片划分方式,包括自由分配、连续变点过程、离散变点过程以及基于隐马尔可夫的变点过程;基因调控网络参数学习,主要包括顺序耦合参数和全局耦合参数。之后对非齐次动态贝叶斯网络模型的性能进行了分析,着重介绍了这些模型对于基因调控网络建模的准确性和可靠性,以及模型之间的区别与联系。最后指出了基因调控网络构建的困难和挑战以及非齐次动态贝叶斯网络模型未来的一些研究方向。

参数边缘耦合条件下的基因调控网络建模研究

针对基于隐马尔科夫模型的非齐次动态贝叶斯网络(HMM-DBN)中因基因调控作用强度过度灵活而造成的网络重构精度降低的问题,提出了用参数边缘耦合方式改进HMM-DBN的方法。首先对基因调控数据进行时间分段;其次利用边缘耦合算法判断当前分段是否应该与前一段的信息交互;再次根据是否进行信息交互判断每个分段的回归参数是否耦合,结合回归参数和时间分段推断基因调控关系;最后重复上述过程直到MCMC(马尔科夫链蒙特卡洛算法)迭代完成,输出网络结构。改进后的HMM-DBN在酵母数据集与合成RAF(RAF原癌基因丝氨酸/苏氨酸-蛋白激酶)数据集上的实验结果显示,其网络重构精度达到了0.76以上,证明了该方法的有效性。

方差参数和信噪比参数特定于父节点的全局耦合模型

在全局耦合模型中,噪声方差参数和信噪比参数的第二个超参数是基于所有基因节点进行求解的,与当前节点无关的信息将被引入全局信息共享,从而使网络重构精度降低。因此,文章在全局耦合模型的基础上,提出了噪声方差参数和信噪比参数特定于父节点的非齐次动态贝叶斯网络(Non-homogeneous dynamic Bayesian networks with noise variance and signal-to-noise parameters specific to the parent node,PS Global coupling NH-DBN)模型。新的模型在RJMCMC迭代过程中,筛选出当前节点的父节点,噪声方差参数和信噪比参数的第二个超参数是基于父节点进行求解的,与之无关的节点信息将不会纳入全局耦合模型中。最终,在真实酵母基因表达数据上的实验结果表明,PS Global coupling NH-DBN模型比其他同类型模型具有更好的网络重构精度。