申请/专利权人：大连海事大学

申请日：2021-07-06

公开（公告）日：2024-04-12

公开（公告）号：CN113506593B

主分类号：G16B20/20

分类号：G16B20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.11.02#实质审查的生效;2021.10.15#公开

摘要：本发明公开了一种面向大规模基因调控网络的智能推断方法，其包括在基因表达数据点分布的两维空间中，使用网格划分数据空间，使落在格子中的数据点的频率作为联合概率分布函数的估计，并确定基因x和基因y表达值之间的互信息；在不同大小的网格中计算互信息获得最大互信息系数，并得到靶基因的关键调控基因集；利用关键调控基因重要性融合算法计算调控基因对靶基因的重要性，得到重要性矩阵；在重要性矩阵中保留控制强度超过设定阈值的调控关系，控制强度超过设定阈值的调控关系构成基因调控网络。本方法针对大规模基因调控网络中关键调控基因的稀疏性，排除冗余基因表达信息，有效提高了计算效率，可以提高推断调控关系的准确度。

主权项：1.一种面向大规模基因调控网络的智能推断方法，其特征在于，包括：步骤1，在基因表达数据点分布的两维空间中，使用m*n的网格划分数据空间，使落在第x,y格子中的数据点的频率作为联合概率分布函数px,y的估计值ox,y；步骤2，利用联合概率分布函数px,y的估计值ox,y确定基因x和基因y表达值之间的互信息IX；Y；步骤3，在不同网格中利用互信息IX；Y计算最大互信息系数MICX；Y，筛选出调控基因集X中关于靶基因Y的关键调控基因集R；步骤4，利用关键调控基因重要性融合算法计算关键调控基因集R中的调控基因对靶基因的重要性，获得重要性矩阵I；步骤4具体为：步骤4.1，整合基因真实表达数据中的时间序列数据和平稳状态数据及关键调控基因集R，获得用于建模的基因表达数据集；步骤4.2，将基因表达数据集分解为P个子集，每一个子集均有一个靶基因；步骤4.3，在每个子集中，分别运用XGBoost、LightGBM和CatBoost算法建立树模型学习非线性函数，计算得到关键调控基因对靶基因的重要性值；步骤4.4，将关键调控基因对靶基因的重要性值排序，得到一个有序的关键调控基因的重要性列表F1；步骤4.5，重复4.3和4.4，依据基因编号将P个重要性列表合成为重要性矩阵I；步骤4.3中在每个子集中，分别运用XGBoost、LightGBM和CatBoost算法建立树模型学习非线性函数，计算得到关键调控基因对靶基因的重要性具体为：步骤4.3.1，利用XGBoost算法获得第一重要性列表FXGB；步骤4.3.2，利用LightGBM算法获得第二重要性列表FLG；步骤4.3.3，利用CatBoost算法获得第三重要性列表FCB；步骤4.3.4，由第一重要性列表FXGB、第二重要性列表FLG和第三重要性列表FCB构成关键调控基因对靶基因的重要性值；步骤4.4将关键调控基因对靶基因的重要性值排序，得到一个有序的关键调控基因的重要性列表F1具体公式为：F1＝α1·FXGB+α2·FLG+α3·FCB其中，α1、α2、α3为权重系数；步骤5，在重要性矩阵I中保留控制强度超过设定阈值的调控关系，控制强度超过设定阈值的调控关系构成基因调控网络。

全文数据：

权利要求：

百度查询： 大连海事大学 一种面向大规模基因调控网络的智能推断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD