多个相关生物网络的联合估计

图模型被广泛用于推断多变量系统中的相互作用。在许多应用中，数据收集自多个相关但非同质的单元，其底层网络可能不同但可能共享特征。在此，我们提出了一种用于在此非同质分布设定下联合估计多个网络的分层贝叶斯公式。该方法具有通用性：给定一类合适的图模型，它利用网络的可交换性假设来提供相应的联合公式。受分子生物学中新兴实验设计的启发，我们专注于带有干预的时间序列数据，使用动态贝叶斯网络作为图模型。我们引入了一种计算高效的确定性算法，用于在此设定下进行精确的联合推断。我们提供了联合估计相对于单独估计每个网络所能带来增益的上界，并提供了支持和扩展该理论的经验结果，包括广泛的模拟研究以及在人癌细胞系蛋白质组数据中的应用。最后，我们描述了一些近似方法，它们比精确算法具有更高的计算效率，同时也展示了良好的经验性能。