具有 L1 正则化约束的状态空间模型中的网络估计
应用统计
2013-08-20 v1
摘要
自大规模基因组技术引入以来，生物网络已成为基因组科学中一个极具吸引力的范式，这些技术有望阐明功能基因组学中的关系。微阵列技术与适当的数学或统计模型相结合，使得识别动态调控网络或同时测量许多基因表达水平的时间过程成为可能。然而，此类数据的高维性质以及已知这些基因表达数据包含某些隐藏过程的事实构成了少数限制之一。为此，我们致力于推导一种在高维数据设置下推断稀疏动态网络的方法。我们假设观测值是以 mRNA 形式存在的含噪基因表达测量值，其动力学可由某些未知或隐藏过程描述。我们从这些隐藏状态构建了一个输入依赖的线性状态空间模型，并展示了如何在期望最大化 (EM) 算法中结合正则化约束，以从基因表达谱数据中逆向工程转录网络。这对应于估计模型相互作用参数。所提出的方法在来自成熟 T 细胞数据的时间过程微阵列数据上进行了说明。在最优调优参数下，我们发现基因 TRAF5、JUND、CDK4、CASP4、CD69 和 C3X1 具有较多的内向连接，而 FYB、CCNA2、AKT1 和 CASP8 是具有较多外向连接的基因。我们建议将这些基因作为进一步研究的对象。还发现 Caspase 4 激活 JunD 的表达，而 JunD 进而抑制细胞周期调节因子 CDC2。
引用
@article{arxiv.1308.4079,
title = {Network estimation in State Space Model with L1-regularization constraint},
author = {Anani Lotsi and Ernst Wit},
journal= {arXiv preprint arXiv:1308.4079},
year = {2013}
}
备注
arXiv admin note: substantial text overlap with arXiv:1308.3590