پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

  • Code: # 31027

  • تعداد صفحات: 87
  • فرمت فایل: word
  • سال: 1391
  • مقطع: کارشناسی ارشد
  • دسته بندی: مهندسی کامپیوتر
قیمت جدید: ۳۵,۰۰۰ تومان
۶۵,۰۰۰ تومان
دانلود
  • خلاصه
  • فهرست
  • خلاصه پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

    پایان نامه­ ی کارشناسی ارشد در رشته­ ی مهندسی کامپیوتر- هوش مصنوعی

    چکیده

    استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

    شبکه های تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن هستند که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کنند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد.

    روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده است. در این میان، شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا توجه زیادی را به خود جلب کنند.

    با وجود تحقیقات انجام شده در این زمینه، مهندسی معکوس شبکه های تنظیم کننده ژن به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است. همچنین میزان پیچیدگی زیاد این مدل ها و دقت آنها از مهم ترین نواقص آن ها می باشند.

    یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است. یکی از منابع عمده این دانش اولیه اطلاعات ما در مورد ساختار کلی شبکه های تنظیم کننده ژنی است. تحقیقات انجام شده نشان می دهند که تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی پیروی می کنند. در واقع این شبکه ها در درجه خروجی scale-free هستند.

    علیرغم این شواهد، روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.

    در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای استنتاج شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.

    آزمایش هایی که برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه انجام شده اند نشان می دهند که الگوریتم ارائه شده، زمانی که برای استنتاج شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به خصوص زمانی که داده های آموزشی ناکافی هستند به صورت قابل توجهی افزایش دهد.

     

    واژگان کلیدی: شبکه های بیزین دینامیک، شبکه های تنظیمات ژنی، ساختار Scale-Free

    فصل اول

     

    مقدمه

     

    در هر سلول یک ارگانیزم زنده، هر لحظه، هزاران ژن با هم در ارتباط هستند تا فرآیندهای پیچیده زیستی را انجام پذیر سازند. شبکه های تنظیم کننده ژنتیکی[1] مجموعه ای از قسمت های DNA در سلول می باشد که به طور غیر مستقیم (به وسیله RNA یا پروتئین های تولیدی) با یکدیگر و مواد دیگر درون سلول ارتباط دارند و بدین طریق سرعت رونویسی[2] از روی ژن ها را برای تشکیل mRNA کنترل می کنند. هر مولکول mRNA یک پروتئین خاص با کارایی خاصی را تولید می کند. بعضی از پروتئین ها فقط برای فعال یا غیر فعال کردن ژن ها استفاده می شوند. این گونه پروتئین ها فاکتورهای رونویسی[3] نامیده می شوند و اصلی ترین نقش را در شبکه تنظیم ژنی ایفا می کنند. به بیان دیگر شبکه تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن است که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد. از این رو تشخیص و مهندسی معکوس شبکه های تنظیم کننده ژنتیکی به یکی از مهم ترین زمینه های تحقیقاتی تبدیل شده است [1].

    عموماً برای تشکیل شبکه های تنظیم کننده ژنتیکی از داده های Microarray استفاده می کنند. Microarray یک تکنولوژی است که قابلیت اندازه گیری هم زمان میزان بیان[4] mRNA مربوط به هزاران ژن را بوجود آورده است و می تواند اطلاعات مربوط به ارتباط ژن ها را در سطح ژنوم در اختیار ما قرار دهد [2]. اما راه حل ساده ای برای تشخیص شبکه های تنظیم کننده ژنتیکی از روی داده های Microarray وجود ندارد. در بیشتر موارد تعداد مجهولات مسئله بسیار زیاد است. این در حالی است که تعداد کمی داده در اختیار داریم. همچنین در بسیاری از موارد میزان خطا در اندازه گیری های موجود بالاست و یا با مشکل عدم وجود اندازه گیری برای بعضی از متغیرها مواجه هستیم.

    داده های Microarray را می توان به دو نوع ایستا[5] و سری زمانی[6] تقسیم نمود. حالت اول تصویری است از بیان ژن ها در یک لحظه و شرایطی خاص. در حالت دوم بیان ژن ها در یک فرآیند درون سلولی در طول زمان اندازه گیری می شود. این سری های زمانی منعکس کننده فرآیندهای دینامیک درون سلولی هستند. اکثر روش های اولیه ای که برای آنالیز داده های سری زمانی Microarray استفاده می شدند در واقع روش هایی بودند که برای داده های ایستا طراحی شده بودند. در چند سال اخیر روش هایی برای کار با داده های سری زمانی به طور خاص مطرح شده اند که قادرند علاوه بر حل مشکلاتی که مخصوص داده های سری زمانی هستند، از ویژگی های منحصر به فرد این گونه داده ها نیز استفاده کنند. با این حال کار کردن با داده های سری زمانی نیازمند ظرافت و دقت بیشتری نسبت به داده های ایستا است و عمل مهندسی معکوس شبکه های تنظیم کننده ژنتیکی در این موارد مشکل تر است.

    روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده اند که مهمترین آن ها عبارتند از: شبکه های بولین [3]، شبکه های بولین تصادفی [4]، معادلات دیفرانسیل [5] و شبکه های بیزین[7] [6]. در این میان، شبکه های بیزین که قادرند رابطه علت و معلولی بین متغیر ها را بر اساس روابط احتمالاتی بیان کنند توجه زیادی را به خود معطوف کرده اند. به علت نویزی بودن داده های Microarray، استفاده از مدل های احتمالاتی به میزان زیادی می تواند کارایی مدل را افزایش دهد. علیرغم موفقیت نسبی شبکه های بیزین، عدم امکان وجود حلقه[8] در این شبکه ها کارایی آنها را در بسیاری از موارد محدود می کند چون در شبکه های تنظیم کننده ژنتیکی واقعی حلقه های بازخورد[9] متداول هستند. از این رو زمانی که با داده های سری زمانی مواجه هستیم شبکه های بیزین دینامیک به گزینه ای مناسب برای مدل کردن تبدیل می شود [7،8،9]. شبکه های بیزین دینامیک فرم عمومی تری از شبکه های بیزین هستند که می توانند داده های با تاخیرهای زمانی را مدل کنند.

    شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا این مدل توجه زیادی را به خود جلب کند. اول اینکه در این نوع مدل قادر هستیم تا روابط علت و معلولی بین متغیر ها را مستقیماً نشان داده و از اطلاعات موجود در این مورد استفاده کنیم. دومین امتیاز این مدل ماهیت تصادفی آن است. فرآیند های مربوط به تنظیمات ژنی فرآیند های تصادفی هستند و حتی اگر خود این فرآیندها ذاتاً قطعی باشند، میزان زیاد خطا در اندازه گیری های انجام شده باعث می شوند تا فرآیند ها از دید ما تصادفی باشند. سومین موردی که باعث برتری این مدل می شود قابلیت این شبکه ها برای دنبال کردن تغییر متغیرها در طول زمان است.

    علیرغم این ویژگی ها مهندسی معکوس شبکه های تنظیم ژن از روی داده های سری زمانی به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است [10]. همچنین در مقادیر اندازه گیری شده خطای زیادی وجود دارد و در مواردی برای بعضی از متغیرها اندازه گیری صورت نگرفته است. در حال حاضر در اکثر موارد در آزمایش هایی با تعداد کمی ژن یا داده های شبیه سازی شده به کار گرفته شده اند. میزان پیچیدگی زیاد این مدل ها و همچنین کمی دقت آنها از مهم ترین نواقص آن ها می باشند. برای بدست آوردن مدل هایی برای کار با داده های حجم بالا و افزایش کارایی مدل های تولید شده به تحقیقات بیشتری در این زمینه نیاز است.

    یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده و جبران کمبود داده های آموزشی طی فرآیند یادگیری شبکه به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است [11]. یکی از منابع عمده این دانش اولیه اطلاعاتی است که در مورد ساختار کلی شبکه های تنظیم کننده ژن بدست آمده است. تحقیقات انجام شده نشان می دهند که این شبکه ها از نظر ارتباطی خلوت[10] هستند. به بیان دیگر تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی[11] پیروی می کنند [12،13]. در واقع این شبکه ها در درجه خروجی scale-free هستند. این در حالی است که درجه ورودی در آن ها از توزیع پواسن با میانگین کم پیروی می کند [14،15،16].

    به زبان زیستی، در شبکه های تنظیم کننده ژنی بیان هر ژن توسط تعداد کمی ژن دیگر تنظیم می شود و همچنین اکثر ژن ها بر روی تعداد کمی ژن دیگر اثر تنظیم کنندگی دارند. اما، تعداد محدودی از ژن ها وجود دارند که بر روی بیان تعداد زیادی از ژن های دیگر اثر دارند. این ژن ها که عمده ترین نقش را در شبکه های تنظیم کننده ژنی بر عهده دارند hub نامیده می شوند.

    با وجود اینکه شواهد بسیاری در تایید ساختار scale-free شبکه های تنظیم کننده ژنی بدست آمده است، تمامی روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.

    در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای یادگیری شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.

    برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه از آزمایش های شبیه سازی متعددی استفاده شده است. نتایج این آزمایش ها نشان می دهند که الگوریتم ارائه شده، زمانی که برای یادگیری شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به صورت قابل توجهی افزایش دهد. هر چه اندازه داده های آموزشی کمتر باشد، تفاوت کیفیت شبکه استنتاج شده به وسیله الگوریتم ارائه شده با شبکه های استنتاج شده به وسیله الگوریتم های قبلی بیشتر می شود. همچنین زمانی که از این الگوریتم برای یاد گیری شبکه های با ساختار تصادفی استفاده می شود، الگوریتم ارائه شده قادر است تا شبکه هایی را بازیابی کند که از لحاظ مطابقت با شبکه واقعی معادل شبکه های استنتاج شده به وسیله روش های قبلی است.

     

     

    ضرورت انجام طرح

     

    شبکه های تنظیم کننده ژنتیکی نقش مهم و عمده ای را در تمام فرآیندهای حیاتی از جمله تفکیک سلولی، متابولیسم، چرخه سلولی و هدایت سیگنال ایفا می کنند. با فهمیدن دینامیک این گونه شبکه ها، قادر خواهیم بود تا به میزان زیادی مکانیزم بیماری هایی را که از به هم خوردن نظم این فرآیندهای سلولی بوجود می آیند دریابیم. همچنین پیش بینی دقیق رفتار شبکه های تنظیم کننده ژنتیکی سرعت انجام پروژه های بیوتکنولوژیکی را افزایش می بخشد. چون این گونه پیش بینی ها قطعاً از آزمایش های واقعی در محیط آزمایشگاه سریع تر و ارزان تر هستند.

     

     

    نگاه کلی به فصل های رساله

  • فهرست پایان نامه استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک

    فهرست:

    فصل اول: مقدمه                                                                                                       1

    ضرورت انجام کار                                                                             6

    نگاه کلی به فصول رساله                                                                     6

     

    فصل دوم: پیشینه تحقیق                                                                                         8

    2-1- مقدمه                                                                                         9

    2-2- مقدمات زیستی                                                                              9

    2-2-1- ژن                                                                                  9

    2-2-2- بیان ژن                                                                           10

    2-2-3- شبکه های تنظیم کننده ژنی                                                  11

    2-3- روش های یاد گیری شبکه های تنظیم کننده ژنی                                     12

    2-3-1- روش های مبتنی بر خوشه بندی                                              12

    2-3-2- روش های مبتنی بر رگرسیون                                                 13

    2-3-3- روش های مبتنی بر اطلاعات متقابل                                          14

    2-3-4- روش های تابعی                                                                 14

    2-3-5- روش های مبتنی بر تئوری سیستم                                           14

    2-3-6- روش های بیزین                                                                 15

     

    فصل سوم: روش پیشنهادی                                                                                    18

    3-1- مقدمه                                                                                        19

    3-2- شبکه های بیزین دینامیک                                                                 20

    3-3- یادگیری شبکه های بیزین دینامیک                                                      22

    3-3-1- روش های امتیازدهی بیزین                                                     23

    3-3-1-1- امتیازدهی به روش K2                                               25

    3-3-1-2- امتیازدهی به روش BDe                                            26

    3-3-2- روش های امتیازدهی بر اساس تئوری اطلاعات                               26

    3-3-2-1- امتیازدهی به روش log-likelihood (LL)                     27

    3-3-2-2- امتیازدهی به روش BIC                                            27

    امتیازدهی به روش AIC                                            28

    3-3-2-4- امتیازدهی به روش MIT                                            28

    - پیچیدگی زمانی یادگیری شبکه های بیزین دینامیک                        29

    3-4- شبکه های تصادفی و شبکه های Scale-free                                         31

    3-5- روش پیشنهادی                                                                            35

     

    فصل چهارم: نتایج تجربی                                                                                       44

    4-1- مقدمه                                                                                       45

    4-2- روش های تولید شبکه های Scale-free                                               46

    4-3- روش های سنجش دقت برای شبکه های استنتاج شده                                50

    4-4- آزمایش اول: استفاده از روش جستجوی کامل                                          52

    4-5- آزمایش دوم: نگاهی دقیق تر به عملکرد روش ارائه شده                               54

    4-6- آزمایش سوم: استفاده از جستجوی حریصانه                                           57

    4-7- آزمایش چهارم: بازیابی قسمتی از شبکه تنظیمات ژنی در Yeast                   60

    4-8- آزمایش پنجم: : عملکرد روش ارائه شده در بازیابی شبکه های تصادفی              63

     

    فصل پنجم: جمع بندی                                                                                           67

    5-1- نتیجه گیری                                                                                68

    5-2- پیشنهاد برای کارهای آتی                                                                 69

     

    منابع تحقیق                                                                                       70

    چکیده به زبان انگلیسی                                                                           74

     

     

    منبع:

     

    انگلیسی

    [1] Sima, Chao, Jianping Hua, and Sungwon Jung. "Inference of gene regulatory networks using time-series data: a survey." Current genomics 10, no. 6 (2009): 416.

    [2] Pham, Tuan D., Christine Wells, and Denis Crane. "Analysis of microarray gene expression data." Current bioinformatics 1, no. 1 (2006): 37-53.

    [3] Akutsu, Tatsuya, Satoru Miyano, and Satoru Kuhara. "Identification of genetic networks from a small number of gene expression patterns under the Boolean network model." In Pacific Symposium on Biocomputing, vol. 4, pp. 17-28. Maui, Hawaii: World Scientific, 1999.

    [4] Shmulevich, Ilya, Edward R. Dougherty, Seungchan Kim, and Wei Zhang. "Probabilistic Boolean networks: a rule-based uncertainty model for gene regulatory networks." Bioinformatics 18, no. 2 (2002): 261-274.

    [5] De Hoon, Michiel, Seiya Imoto, Kazuo Kobayashi, Naotake Ogasawara, and Satoru Miyano. "Inferring gene regulatory networks from time-ordered gene expression data of Bacillus subtilis using differential equations." In Biocomputing 2003: Proc. Pacific Symposium, vol. 8, pp. 17-28. 2002.

    [6] Friedman, Nir, Michal Linial, Iftach Nachman, and Dana Pe'er. "Using Bayesian networks to analyze expression data." Journal of computational biology 7, no. 3-4 (2000): 601-620.

    [7] Perrin, Bruno-Edouard, Liva Ralaivola, Aurelien Mazurie, Samuele Bottani, Jacques Mallet, and Florence d’Alche–Buc. "Gene networks inference using dynamic Bayesian networks." Bioinformatics 19, no. suppl 2 (2003): ii138-ii148.

    [8] Zou, Min, and Suzanne D. Conzen. "A new dynamic Bayesian network (DBN) approach for identifying gene regulatory networks from time course microarray data." Bioinformatics 21, no. 1 (2005): 71-79.

    [9] Kim, Sun Yong, Seiya Imoto, and Satoru Miyano. "Inferring gene networks from time series microarray data using dynamic Bayesian networks." Briefings in bioinformatics 4, no. 3 (2003): 228-235.

    [10] Husmeier, Dirk. "Sensitivity and specificity of inferring genetic regulatory interactions from microarray experiments with dynamic Bayesian networks." Bioinformatics 19, no. 17 (2003): 2271-2282.

    [11] Hecker, Michael, Sandro Lambeck, Susanne Toepfer, Eugene van Someren, and Reinhard Guthke. "Gene regulatory network inference: Data integration in dynamic models—A." Biosystems 96 (2009): 86-103.

    [12] Sandy Shaw, Evidence of Scale-free Topology and Dynamics in Gene Regulatory Networks, Proceedings of the ISCA 12th International Conference on Intelligent and Adaptive Systems and Software Engineering, Vol. 0 (2003), pp. 37-40

    [13] Featherstone, David E., and Kendal Broadie. "Wrestling with pleiotropy: genomic and topological analysis of the yeast gene expression network." Bioessays 24, no. 3 (2002): 267-274.

    [14] Babu, M. Madan, Nicholas M. Luscombe, L. Aravind, Mark Gerstein, and Sarah A. Teichmann. "Structure and evolution of transcriptional regulatory networks." Current opinion in structural biology 14, no. 3 (2004): 283-291.

    [15] Klemm, Konstantin, and Stefan Bornholdt. "Topology of biological networks and reliability of information processing." Proceedings of the National Academy of Sciences of the United States of America 102, no. 51 (2005): 18414-18419.

    [16] Yu, Haiyuan, and Mark Gerstein. "Genomic analysis of the hierarchical structure of regulatory networks." Proceedings of the National Academy of Sciences 103, no. 40 (2006): 14724-14731.

    [17] Eisen, Michael B., Paul T. Spellman, Patrick O. Brown, and David Botstein. "Cluster analysis and display of genome-wide expression patterns." Proceedings of the National Academy of Sciences 95, no. 25 (1998): 14863-14868.

    [18] Guthke, Reinhard, Ulrich Möller, Martin Hoffmann, Frank Thies, and Susanne Töpfer. "Dynamic network reconstruction from gene expression data applied to immune response during bacterial infection." Bioinformatics 21, no. 8 (2005): 1626-1634.

    [19] Hastie, Trevor, Robert Tibshirani, Michael B. Eisen, Ash Alizadeh, Ronald Levy, Louis Staudt, Wing C. Chan, David Botstein, and Patrick Brown. "Gene shaving’as a method for identifying distinct sets of genes with similar expression patterns." Genome Biol 1, no. 2 (2000): 1-0003.

    [20] Yeung, MK Stephen, Jesper Tegnér, and James J. Collins. "Reverse engineering gene networks using singular value decomposition and robust regression." Proceedings of the National Academy of Sciences 99, no. 9 (2002): 6163-6168.

    [21] Rogers, Simon, and Mark Girolami. "A Bayesian regression approach to the inference of regulatory networks from gene expression data." Bioinformatics 21, no. 14 (2005): 3131-3137.

    [22] Basso, K., Margolin, A. A., Stolovitzky, G., Klein, U., Dalla-Favera, R., and Califano, A. Reverse engineering of regulatory networks in human cells. Nature Genetics 37, 4 (Apr 2005), 382–90.

    [23] Liang, Shoudan, Stefanie Fuhrman, and Roland Somogyi. "REVEAL, a general reverse engineering algorithm for inference of genetic network architectures." In Pacific symposium on biocomputing, vol. 3, no. 18-29, p. 2. 1998.

    [24] Akutsu, Tatsuya, Satoru Miyano, and Satoru Kuhara. "Identification of genetic networks from a small number of gene expression patterns under the Boolean network model." In Pacific Symposium on Biocomputing, vol. 4, pp. 17-28. Maui, Hawaii: World Scientific, 1999.

    [25] Thieffry, D., and Thomas, R. Dynamical behaviour of biological networks: Ii. immunity control in bacteriophage lamabda. Bulletin of Mathematical Biology 57, 2 (1995), 277–297.

    [26] Kholodenko, Boris N., Anatoly Kiyatkin, Frank J. Bruggeman, Eduardo Sontag, Hans V. Westerhoff, and Jan B. Hoek. "Untangling the wires: a strategy to trace functional interactions in signaling and gene networks." Science Signalling 99, no. 20 (2002): 12841.

    [27] Hartemink, Alexander J., David K. Gifford, Tommi S. Jaakkola, and Richard A. Young. "Using graphical models and genomic expression data to statistically validate models of genetic regulatory networks." In Pac. Symp. Biocomput, vol. 6, pp. 422-433. 2001.

    [28] Ong, Irene M., Jeremy D. Glasner, and David Page. "Modelling regulatory pathways in E. coli from time series expression profiles." Bioinformatics 18, no. suppl 1 (2002): S241-S248.

    [29] Ong, Irene M., and David Page. "Inferring regulatory pathways in E. coli using dynamic Bayesian networks." Informe técnico 1426 (2001).

    [30] Kim, Sun Yong, Seiya Imoto, and Satoru Miyano. "Inferring gene networks from time series microarray data using dynamic Bayesian networks." Briefings in bioinformatics 4, no. 3 (2003): 228-235.

    [31] Missal, Kristin, Michael A. Cross, and Dirk Drasdo. "Gene network inference from incomplete expression data: transcriptional control of hematopoietic commitment." Bioinformatics 22, no. 6 (2006): 731-738.

    [32] Zhao, Wentao, Erchin Serpedin, and Edward R. Dougherty. "Inferring gene regulatory networks from time series data using the minimum description length principle." Bioinformatics 22, no. 17 (2006): 2129-2135.

    [33] Dougherty, John, Ioan Tabus, and Jaakko Astola. "Inference of gene regulatory networks based on a universal minimum description length." EURASIP Journal on Bioinformatics and Systems Biology 2008 (2008): 5.

    [34] Ghahramani, Zoubin. "Learning dynamic Bayesian networks." Adaptive Processing of Sequences and Data Structures (1998): 168-197.

    [35] Murphy, Kevin Patrick. "Dynamic bayesian networks: representation, inference and learning." PhD diss., University of California, 2002.

    [36] Barabási, Albert-László, and Réka Albert. "Emergence of scaling in random networks." science 286, no. 5439 (1999): 509-512.

    [37] Haynes, Brian C., and Michael R. Brent. "Benchmarking regulatory network reconstruction with GRENDEL." Bioinformatics 25, no. 6 (2009): 801-807.

    [38] Vinh, Nguyen Xuan, Madhu Chetty, Ross Coppel, and Pramod P. Wangikar. "GlobalMIT: learning globally optimal dynamic bayesian network with the mutual information test criterion." Bioinformatics 27, no. 19 (2011): 2765-2766.

     

  • ثبت سفارش
    عنوان محصول
    قیمت