• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Digital Signal Processing >Dynamic gene and transcriptional regulatory networks inferring with multi-Laplacian prior from time-course gene microarray data
【24h】

Dynamic gene and transcriptional regulatory networks inferring with multi-Laplacian prior from time-course gene microarray data

机译：从时程基因微阵列数据推断出多拉普拉斯先验的动态基因和转录调控网络

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper presents a dynamic gene and transcriptional regulatory network inferring method by using the time-varying autoregressive (TVAR) model. It employs the Li-based regularization terms with spatial sparsity, temporal continuity and proposed multi-Laplacian prior (MLP) for key transcriptional factors (TFs) and their interactions identification. The MLP regularization allows the connections of a gene to be better preserved as a group so that putative TFs can be identified in dynamic gene network. Furthermore, an ADMM-based method is proposed to solve the problem by using the augmented Lagrangian multiplier technique. The simulation using DREAM 4 datasets shows the proposed method performs better than other well-established algorithms for gene network inferring. This enables us to apply the proposed method to a yeast cell cycle microarray datasets containing 215 genes and 17 timepoints more effectively. We are able to identify key genes and gene interactions align well with the natural of yeast cell cycle and related literatures. These suggest that the proposed method can serve as a useful exploratory tool for putative TFs and dynamic gene/TFs networks identification using microarray data.
机译：利用时变自回归（TVAR）模型，提出了一种动态基因和转录调控网络的推断方法。它采用具有空间稀疏性，时间连续性的基于Li的正则化术语，并针对关键转录因子（TF）及其相互作用识别提出了拟议的多拉普拉斯先验（MLP）。 MLP正则化允许将基因的连接更好地保存为一个组，以便可以在动态基因网络中识别推定的TF。此外，提出了一种基于ADMM的方法，通过使用增强的拉格朗日乘数技术来解决该问题。使用DREAM 4数据集进行的仿真表明，所提出的方法比其他公认的基因网络推断算法具有更好的性能。这使我们能够将所提出的方法更有效地应用于包含215个基因和17个时间点的酵母细胞周期微阵列数据集。我们能够鉴定关键基因，并且基因相互作用与酵母细胞周期和相关文献的天然特征非常吻合。这些表明，所提出的方法可以用作有用的探索性工具，用于使用微阵列数据鉴定推定的TF和动态基因/ TFs网络。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号