申请/专利权人：华中农业大学

申请日：2022-03-23

公开（公告）日：2024-04-16

公开（公告）号：CN114925837B

主分类号：G06N7/01

分类号：G06N7/01;G06N5/04;G06F17/16;G06F17/18

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.09.06#实质审查的生效;2022.08.19#公开

摘要：本发明公开了一种基于混合熵优化互信息的基因调控网络构建方法，该方法包括：根据设置的离散度对基因表达连续型数据进行离散化处理，根据真实概率与James‑Stein估计概率产生的均方误差MSE计算得到收缩强度λ；根据概率与熵值的转换公式，得到James‑Stein估计熵值；通过概率分布的β矩求导简化Dirichlet先验分布下的贝叶斯熵值估计，将两种熵值估计器得到的值转换为互信息矩阵；计算与互信息矩阵类似的Z‑score矩阵，将两个矩阵组合得到初始基因调控网络；根据路径一致算法进行遍历，通过动态阈值对基因调控网络中基因间关系进一步进行筛选，得到最终的基因调控网络。本发明解决了现有技术中构建网络存在大量错误调控关系的问题，得到了更准确的基因调控网络。

主权项：1.一种基于混合熵优化互信息的基因调控网络构建方法，其特征在于，该方法包括以下步骤：S1、获取基因表达连续型数据，根据设置的离散度对基因表达连续型数据进行离散化处理，计算并得到每个基因对应的计数向量；根据真实概率与James-Stein估计概率产生的均方误差MSE计算得到收缩强度λ；S2、根据得到的收缩强度λ，计算无先验分布James-Stein估计的概率，根据概率与熵值的转换公式，得到James-Stein估计熵值；通过概率分布的β矩求导简化Dirichlet先验分布下的贝叶斯熵值估计，其中先验参数a通过收缩强度λ来计算，具体为当λ等于某一定值时使基于Dirichlet先验计算的概率等于贝叶斯估计下的概率，由此得到先验参数a与收缩强度λ的对应关系；根据熵值和互信息计算公式，将两种熵值估计器得到的值转换为互信息矩阵；S3、在对两种熵值估计的互信息矩阵进行优化的基础上，计算每个基因的Z-score，进而计算每对基因的Z-score，得到与互信息矩阵类似的Z-score矩阵，将两个矩阵组合得到初始基因调控网络；S4、根据初始阈值筛选初始的基因调控网络中的调控关系，然后根据路径一致算法进行遍历，通过动态阈值对基因调控网络中基因间关系进一步进行筛选，得到最终的基因调控网络；在所述S1步骤中：首先对连续基因表达数据集进行离散化；如果随机变量X的值分布在区间[a,b]中，则根据区间的大小将该区间划分为等距的子区间；子区间的数量表示为bin，离散化后的随机变量X如Eq.1所示：X＝[X1,X2,X3,......,Xn]1经过离散化操作后，随机变量X的n个变量Xi分布在K个bin中，其中K表示分布概率大于0的bin数量；每个bin对应的索引向量为xi，随机变量X对应的索引向量如Eq.2所示：χ＝[x1,x2,x3,......,xK]2此外，收缩目标t没有方差，但有更高的偏差；确定最佳收缩强度λ的第一步是选择合适的损失函数，使用平方误差作为损失函数；第二步是最小化风险函数Rλ，使用均方误差进行计算，如Eq.3所示： 然后得到最小化MSE的收缩强度λ，如Eq.4所示： 给定和得到Eq.5： 为了避免过度收缩，当令当出现负收缩时，令保证

全文数据：

权利要求：

百度查询： 华中农业大学 基于混合熵优化互信息的基因调控网络构建方法

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