基于不确定性平均目标代价的基因调控网络最优结构干预序贯实验设计
分子网络
2018-06-01 v1 系统与控制
统计方法学
摘要
科学家正尝试使用日益复杂的模型，尤其在医学中，诸如癌症等基于基因的疾病需要更好的细胞调控建模。复杂模型存在不确定性，需通过实验降低该不确定性。由于实验可能昂贵且耗时，期望确定能提供最有用信息的实验。若要进行一系列实验，则需实验设计以确定顺序。经典方法是最大化降低模型整体不确定性，即最大熵减。一种近期提出的方法同时考虑模型不确定性与转化目标，例如基因调控网络中的最优结构干预，其目的在于改变调控逻辑以最大化降低处于癌变状态的长期可能性。不确定性平均目标代价（MOCU）基于模型不确定性影响目标的程度来量化不确定性。实验设计涉及选择使 MOCU 降幅最大的实验。本文引入基于 MOCU 的序贯实验设计的有限 horizon 动态规划，并将其与贪婪方法比较，后者一次选择一个实验而不考虑实验的完整 horizon。本文一个显著方面是证明了基于 MOCU 的设计相对于广泛使用的基于熵的设计在贪婪与动态规划策略下均具优势，并研究了模型条件对比较性能的影响。
引用
@article{arxiv.1805.12253,
title = {Sequential Experimental Design for Optimal Structural Intervention in Gene Regulatory Networks Based on the Mean Objective Cost of Uncertainty},
author = {Mahdi Imani and Roozbeh Dehghannasiri and Ulisses M. Braga-Neto and Edward R. Dougherty},
journal= {arXiv preprint arXiv:1805.12253},
year = {2018}
}