本书聚焦基因调控网络因果关系拓扑结构辨识这一生物信息学核心难题，系统阐述从理论基础到算法实现、实验验证的完整研究体系。内容上先梳理领域研究现状与稀疏重构、图学习等核心理论，创新提出了分段改进正交匹配追踪的稀疏重构算法，深入分析其大系统极限理论与相变界规律；进而分别针对稳态、动态数据，构建基于稀疏重构的基因调控网络因果关系辨识模型，后续研究了图学习策略，构建了基于有向图卷积网络推理模型、基于有向图神经网络的直推/归纳学习算法框架，以及基于融合空间表达图像特征的孪生卷积神经网络模型，形成多物种、多模态、多场景、多层次的辨识方法体系。全书以算法创新为核心，结合各种数据集的验证，兼具理论深度与实践应用价值。
样章试读
目录
- 目录
序
前言
第1章 绪论 1
1.1 引言 1
1.2 研究问题描述及特性 3
1.2.1 问题描述 3
1.2.2 结构特性 4
1.2.3 基因表达数据 4
1.3 国内外研究现状 9
1.3.1 基于统计与机器学习的辨识方法 10
1.3.2 基于深度学习的辨识方法 13
1.4 本书主要内容 16
1.5 本章小结 19
第2章 预备知识及理论基础 20
2.1 引言 20
2.2 模型构建思路 20
2.3 稀疏重构策略 22
2.3.1 基于优化的稀疏重构策略 23
2.3.2 基于贪婪的稀疏重构策略 24
2.4 图学习策略 25
2.4.1 基于CNN的图学习策略 25
2.4.2 基于GNN的图学习策略 26
2.5 模型性能评价指标 32
2.5.1 二分类评价指标 32
2.5.2 多分类评价指标 34
2.6 本章小结 36
第3章 基于分段改进正交匹配追踪的稀疏重构算法 37
3.1 引言 37
3.2 问题描述 38
3.3 SmOMP算法 39
3.3.1 StOMP算法回顾 39
3.3.2 SmOMP算法设计 40
3.3.3 SmOMP算法流程及步骤 41
3.4 实验结果与分析 43
3.5 计算复杂度分析 46
3.6 噪声影响分析 47
3.7 本章小结 48
第4章 SmOMP算法的大系统极限理论与相变界分析 49
4.1 引言 49
4.2 问题描述 49
4.3 SmOMP算法的成功重构特性 50
4.4 SmOMP算法的渐近统计特性 52
4.4.1 大系统极限分析 52
4.4.2 理论相变界计算 57
4.5 实验结果与分析 58
4.6 本章小结 60
第5章 基于稳态数据稀疏重构的基因调控网络因果关系辨识 61
5.1 引言 61
5.2 问题描述 62
5.3 稳态数据网络模型的构建 63
5.4 实验结果与分析 65
5.4.1 人工线性网络 65
5.4.2 生物MAPK网络 67
5.4.3 DREAM网络 69
5.5 本章小结 76
第6章 基于动态数据稀疏重构的基因调控网络因果关系辨识 77
6.1 引言 77
6.2 问题描述 77
6.3 动态数据网络模型的构建 78
6.4 性能评价指标 80
6.5 实验结果与分析 81
6.5.1 10个节点的模拟网络 81
6.5.2 50个和100个节点的GNW网络 85
6.6 本章小结 86
第7章 基于GRDGCN推断学习的基因调控网络因果关系辨识 87
7.1 引言 87
7.2 问题描述 87
7.3 基于GRDGCN的高效推理框架 88
7.3.1 有向起始调控网络的构建 89
7.3.2 有向邻居封闭子图的提取 90
7.3.3 有向邻居封闭子图的特征与节点标签的构建 90
7.3.4 构建集成的DGCN模型 90
7.3.5 GRDGCN基因调控推断算法 91
7.4 实验结果与分析 92
7.4.1 实验环境与实验基准数据集 92
7.4.2 DREAM5微阵列数据集中的推断性能比较 92
7.4.3 不同跳数有向邻居子图的推断性能 93
7.4.4 启发式阈值对有向图神经网络模型推理性能的影响 95
7.4.5 基于平衡的人类研究数据集推断基因调控网络 96
7.5 本章小结 97
第8章 基于GRDGNN直推与归纳学习的基因调控网络因果关系辨识 98
8.1 引言 98
8.2 问题描述 99
8.3 基于GRDGNN端到端推理框架 100
8.3.1 有向起始调控网络的构建 100
8.3.2 有向封闭子图的提取 102
8.3.3 有向封闭子图的特征与节点标签的构建 102
8.3.4 构建归纳学习的DGCN框架 103
8.3.5 GRDGNN基因调控推断算法 105
8.4 实验结果与分析 106
8.4.1 实验环境与实验基准数据集 106
8.4.2 二分类直推学习性能比较 108
8.4.3 多分类直推学习性能比较 111
8.4.4 归纳学习性能比较 113
8.4.5 消融实验 118
8.5 本章小结 122
第9章 基于图表达数据 GIMGNN的基因调控网络因果关系辨识 123
9.1 引言 123
9.2 问题描述 123
9.3 GIMGNN推理框架 124
9.3.1 阶段一：基于孪生卷积神经网络提取空间表达图像特征 125
9.3.2 阶段二：构建基于图神经网络的图分类模型 126
9.4 实验结果与分析 128
9.4.1 基准数据集 128
9.4.2 实验评估标准 129
9.4.3 GIMGNN在果蝇眼睛发育数据集上的性能评估 130
9.4.4 阈值对模型性能的影响分析 131
9.4.5 消融实验 132
9.5 本章小结 132
第10章 总结与展望 134
10.1 总结 134
10.2 展望 136
参考文献 138
京公网安备 11010102004214号