时变贝叶斯网络的推断
分子网络
2012-03-05 v1 应用统计
摘要
在分析基因表达时间序列数据时，一个常被忽视但至关重要的模型要素是调控网络结构可能随时间变化。尽管文献中已有一些方法尝试解决此问题，但许多方法并不太适合数据的时序特性。本文提出了一种方法，使我们能够推断可能在不同时间点间变化的调控网络结构，该方法利用一组隐状态来描述给定时间点的网络结构。为对隐状态的分布建模，我们应用了层次狄利克雷过程隐马尔可夫模型，这是传统隐马尔可夫模型的一种非参数扩展，无需我们预先固定隐状态的数量。我们将该方法应用于现有的微阵列表达数据，并在模拟测试数据上展示了其有效性。
引用
@article{arxiv.1203.0489,
title = {Inference of Temporally Varying Bayesian Networks},
author = {Thomas Thorne and Michael P. H Stumpf},
journal= {arXiv preprint arXiv:1203.0489},
year = {2012}
}