利用模拟数据验证模块网络学习算法
定量方法
2007-11-15 v1 分子网络
摘要
近年来，几位作者利用概率图模型从基因表达数据中学习表达模块及其调控程序。在此，我们展示了合成数据生成器 SynTReN 在测试和比较模块网络学习算法方面的应用。我们介绍了一个名为 LeMoNe 的学习模块网络的软件包，它包含了一种学习调控程序的新策略。新颖之处包括使用自底向上的贝叶斯层次聚类来构建调控程序，以及使用条件熵度量将调控因子分配给调控程序节点。利用 SynTReN 数据，我们在完全受控的情况下测试了 LeMoNe 的性能，并评估了相对于现有软件包 Genomica 我们所做的方法学改变的影响。此外，我们还评估了各种参数（如数据集大小和噪声量）对推断性能的影响。总体而言，将 Genomica 和 LeMoNe 应用于模拟数据集给出了可比的结果。然而，LeMoNe 提供了一些优势，其中之一是对于较大数据集，学习过程 considerably 更快。此外，我们表明 LeMoNe 调控程序中调控因子的位置及其条件熵可用于优先选择进行功能验证的调控因子，并且自底向上聚类策略与基于条件熵的调控因子分配相结合，改善了对缺失或隐藏调控因子的处理。
引用
@article{arxiv.0705.0666,
title = {Validating module network learning algorithms using simulated data},
author = {Tom Michoel and Steven Maere and Eric Bonnet and Anagha Joshi and Yvan Saeys and Tim Van den Bulcke and Koenraad Van Leemput and Piet van Remortel and Martin Kuiper and Kathleen Marchal and Yves Van de Peer},
journal= {arXiv preprint arXiv:0705.0666},
year = {2007}
}
备注
13 pages, 6 figures + 2 pages, 2 figures supplementary information