Modeling gene regulatory networks with Bayesian networks

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology | Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Date
2006
Major/Subject
Laskennallinen tekniikka
Mcode
S-114
Degree programme
Language
en
Pages
152
Series
Abstract
Geenisäätelyverkot kuvaavat geenien välisiä vuorovaikutuksia. Niiden oppiminen biologisesta aineistosta on vaikeaa, mutta onnistuessaan tarjoaa huomattavasti muun muassa lääkekehitykseen soveltuvaa tietoa. Geenisäätelyverkkoja on perinteisesti opittu geeniekspressiodatasta, joka ei kuitenkaan yksinään riitä verkkorakenteiden luotettavaan päättelyyn. Geenisäätelyverkkojen oppimista voidaan parantaa ottamalla huomioon muista tiedonlähteistä saatavaa tietämystä. Tässä diplomityössä tunnistetaan useita biologisen tietämyksen lähteitä, joita voidaan käyttää avuksi mallinnettaessa geenisäätelyverkkoja Bayes-verkoilla. Bayes-verkot ovat graafisia tilastollisia malleja ja yleisesti käytettyjä geenisäätelyverkkojen oppimiseen. Koska geeniekspressiodataa on yleensä saatavilla niukasti, saattaa oppimisprosessissa löytyä monta vaihtoehtoista aineiston hyvin selittävää verkkorakennetta. Tällöin yksittäinen verkkorakenne ei välttämättä ole kovinkaan hyvä kuvaus ratkaisusta. Tämän takia työssä käytettiin Markov-ketju Monte Carlo menetelmää erilaisten verkkoratkaisujen etsimiseen ja mallien keskiarvoistusta ratkaisuissa toistuvien piirteiden etsintään. Eri lähteistä saatava ns. prioritieto yhdistettiin verkkomallien oppimisprosessiin informatiivisilla rakenneprioreilla, malliavaruuden rajoitteilla ja mallien rakenteiden muokkauksilla. Työssä esitetyt menetelmät soveltuvat muihinkin oppimismenetelmiin kunhan ne pohjautuvat verkkorakenteiden etsimiseen ja pisteyttämiseen. Diplomityön kokeet osoittavat että ilman prioritietoa verkkorakenteiden oppiminen on epäluotettavaa. Informatiivisen rakennepriorin ja oppimisrajoitteiden lisääminen parantavat aineistosta opittujen verkkomallien laatua.
Description
Supervisor
Kaski, Kimmo
Thesis advisor
Heikkonen, Jukka
Keywords
Bayesian networks, Bayes-verkot, gene regulatory network, geenisäätelyverkko, prior information, prioritieto
Other note
Citation