基于循环神经网络的基因调控网络混合模型

系统生物学是一个新兴的交叉研究领域，专注于研究生物系统中复杂的相互作用，如基因调控网络。基因调控网络的发现带来了广泛的应用，例如揭示疾病作用机制的相关通路并提供新的潜在药物靶点。此外，基于已发现的网络或通路开发生物模型有助于预测对疾病的反应，并极大地促进新药研发和治疗。从生物数据推断调控网络仍处于起步阶段。本文提出了一种基于循环神经网络（RNN）的基因调控网络（GRN）模型，该模型在通过时间反向传播训练算法中结合了广义扩展卡尔曼滤波器进行权重更新。RNN 是一种复杂的神经网络，能够在生物接近性和数学灵活性之间提供更好的平衡以建模 GRN。RNN 能够捕捉变量间复杂、非线性和动态的关系。基因表达数据本质上具有噪声，而卡尔曼滤波器即使在噪声数据中也能很好地执行估计。因此，卡尔曼滤波器的非线性版本，即广义扩展卡尔曼滤波器，已被应用于网络训练期间的权重更新。所开发的模型已应用于 DNA SOS 修复网络、IRMA 网络以及来自 DREAM Challenge 的两个合成网络。我们将结果与其他最先进技术进行了比较，显示了我们模型的优越性。此外，在数据集中添加了 5% 的高斯噪声，所提出模型的结果显示噪声对结果的影响可忽略不计。