通过时间稀疏数据推断调控网络

基因组学的一个主要目标是恰当捕捉基因调控网络（GRNs）的复杂动态行为。这包括推断基因间的复杂相互作用，可用于广泛的基因组学分析，包括疾病的诊断或预后，以及寻找癌症等慢性疾病的有效疗法。布尔网络已成为一类成功捕捉GRNs行为的模型。在大多数实际场景中，GRNs的推断应通过对有限且时间稀疏的基因组学数据实现。GRNs中大量基因导致庞大的可能拓扑候选空间，由于计算资源的限制，通常无法穷举搜索。本文利用贝叶斯优化和基于核的方法，开发了可扩展且高效的GRNs拓扑推断方法。所提方法不穷举搜索可能拓扑，而是构建带有拓扑启发式核函数的高斯过程（GP）以考虑似然函数中的相关性。然后，利用GP模型的后验分布，贝叶斯优化通过在探索与利用之间最优平衡，高效搜索具有最高似然值的拓扑。所提方法的性能通过使用知名的哺乳动物细胞周期网络的综合数值实验得到验证。