具有噪声测量与不确定输入的基因调控网络控制
分子网络
2017-02-27 v1 机器学习
机器学习
摘要
本文关注基因调控网络（GRNs）的随机控制问题，该网络通过噪声测量间接观测且干预输入存在不确定性。基因状态的部分可观测性及干预过程中的不确定性通过使用具有噪声基因表达测量的部分观测布尔动力系统（POBDS）信号模型对 GRNs 进行建模来加以考虑。一般情况下无法获得该问题的最优无限时间步控制策略，我们应用强化学习与高斯过程技术来寻找近似最优解。POBDS 首先被转换为连续信念空间中的直接观测马尔可夫决策过程，并使用高斯过程对信念空间与干预空间上的代价函数进行建模。随后使用强化学习从可用的基因表达数据中学习代价函数。此外，我们采用了稀疏化技术，从而能够对大型部分观测 GRNs 进行控制。通过使用从黑色素瘤基因调控网络生成的合成基因表达数据，进行了一组全面的数值实验，研究了所得算法的性能。
引用
@article{arxiv.1702.07652,
title = {Control of Gene Regulatory Networks with Noisy Measurements and Uncertain Inputs},
author = {Mahdi Imani and Ulisses Braga-Neto},
journal= {arXiv preprint arXiv:1702.07652},
year = {2017}
}