Ayyıldız,埃兹吉;维尔达·普鲁特索卢;格哈德·威廉·韦伯 基于环的圆锥多元自适应回归样条是一种先进构建复杂生物网络的新方法。 (英语) Zbl 1403.92089号 欧洲药典。物件。 270,第3号,852-861(2018)。 摘要:高斯图形模型(GGM)及其贝叶斯替代方法,即高斯连接图模型(GCGM)是构建生物系统无向网络的两种广泛使用的方法。他们利用多元正态假设的条件依赖性来定义物种之间的相互作用。然而,当系统的维数较高时,模型的性能变得需要计算,特别是当观测值远离正常值时,GGM的精度会降低。在这里,我们建议使用二次曲线多元自适应回归样条(CMARS)来代替GGM和GCGM来改善这两个问题。CMARS是多元自适应回归样条的修改版本,是运筹学(OR)中用于表示生物、环境和经济数据的著名建模方法。该模型的主要优点是它与高维和严重非线性的相关测量兼容,从而具有广泛的应用领域。我们采用CMARS来描述生物系统,并将其称为“LCMARS”,因为其基于回路的描述。然后,我们将LCMARS应用于模拟和实际数据集,与GGM和GCGM相比,LCMARS显示了更准确的结果。因此,使用LCMARS描述生物网络的能力有可能为OR在计算生物学和生物信息学中的应用开辟新的途径,从而有助于更好地理解癌症和肝炎等复杂疾病。 引用于三文件 MSC公司: 92立方厘米 系统生物学、网络 62页第10页 统计学在生物学和医学中的应用;元分析 62G08号 非参数回归和分位数回归 62小时99 多元分析 90B15号机组 运筹学中的随机网络模型 关键词:医学OR;二次曲线多元自适应回归样条;高斯图形模型;生物网络;准确度测量 软件:巨大的;半标准杆;GSNCA公司;甘巴语;BDgraph(BDgraph);ElemStatLearn(电子状态学习);玻璃制品 PDF格式BibTeX公司 XML格式引用 \textit{E.Ayyldz}等人,《欧洲药典》。第270号决议,第3号,852--861(2018;Zbl 1403.92089) 全文: 内政部 参考文献: [1] 阿尔伯特·R。;Barabasi,A.L.,《复杂网络的统计力学》,《现代物理学评论》,74,47-97,(2002)·Zbl 1205.82086号 [2] 阿泽夫多,N。;皮涅罗博士。;Weber,G.W.,Markov开关跳跃扩散的动态编程,计算与应用数学杂志,267,1-19,(2014)·Zbl 1293.49055号 [3] Banga,J.R.,《计算系统生物学中的优化》,BMC系统生物学,2,47,1-7,(2008) [4] Barabasi,A.L。;Oltvai,Z.N.,《网络生物学:理解细胞的功能组织》,《自然评论遗传学》,第5101-113页,(2004) [5] Barron,A.R。;Xiao,X.,讨论:多元自适应回归样条,统计学年鉴,19,1,67-82,(1991) [6] Bhadra,A。;Mallick,B.K.,联合高维贝叶斯变量和协方差选择及其在情商分析中的应用,生物统计学,69,2,447-457,(2013)·Zbl 1274.62722号 [7] 鲍尔,J.M。;Bolouri,H.,遗传和生物化学网络的计算建模,(2001),马萨诸塞州麻省理工学院 [8] Brown,C.,《微分方程:建模方法》,(2007年),加州SAGE出版社·兹比尔1154.34001 [9] 卡林,B.P。;Louis,T.A.,数据分析的贝叶斯和经验贝叶斯方法,(2000年),查普曼和霍尔佛罗里达·兹比尔1017.62005 [10] 陈,J。;Chen,Z.,大模型空间模型选择的扩展贝叶斯信息准则,Biometrika Trust,95,3,759-771,(2008)·Zbl 1437.62415号 [11] 新泽西州张。;徐,Z.K。;丁晓明。;Shen,H.B.,用人类可读的模糊规则对非线性动态生物系统进行建模,通过收敛异质粒子群优化,欧洲运筹学杂志,247349-358,(2015)·Zbl 1346.92010号 [12] Defterli,O。;Fgenschuh,A。;Weber,G.W.,《用于基因环境网络的时间离散动力学和优化的现代工具》,《非线性科学和数值模拟中的通信》,第16期,第4768-4779页,(2011年)·Zbl 1235.93023号 [13] Defterli,O。;Purutçuolu,V。;Weber,G.W.,《基因-环境网络动态建模和模拟中的高级数学和统计工具》,(Zilberman,D.;Pinto,A.,《建模、优化、动力学和生物经济》(2014),Springer-Verlag),235-257 [14] 多布拉,A。;Lenkoski,A.,Copula Gaussian图形模型及其在功能性残疾数据建模中的应用,应用统计年鉴,5,2A,969-993,(2011)·Zbl 1232.62046号 [15] Ergenc,T。;Weber,G.W.,用Runge-Kutta离散化重新考虑的基因表达模式的建模和预测,计算技术杂志,9,40-48,(2005)·Zbl 1060.92045号 [16] Fang,Z.、Tian,W.和Ji,H.(2015)。GANPA数据集包。R软件包版本1.0。;Fang,Z.、Tian,W.和Ji,H.(2015)。GANPA数据集包。R软件包版本1.0。 [17] Foygel,R。;Drton,M.,《高斯图形模型的扩展贝叶斯信息标准》,《神经信息处理系统的进展》,第23期,2020-2028页,(2010年) [18] Friedman,J.H.,多元自适应回归样条,《统计年鉴》,19,1,1-67,(1991)·Zbl 0765.62064号 [19] 弗里德曼,J.H。;哈斯蒂,T。;Tibshirani,R.,用图形套索进行稀疏逆协方差估计,生物统计学,9,3,432-441,(2008)·Zbl 1143.62076号 [20] Gebert,J。;Laetsch,M。;Ming Poh Quek,E。;Weber,G.W.,通过路径查找分析和优化遗传网络结构,计算技术期刊,9,3-12,(2004)·Zbl 1057.92030号 [21] Gebert,J。;Radde,N。;Weber,G.W.,用分段线性微分方程建模基因调控网络,《欧洲运筹学杂志》,1811148-1165,(2007)·Zbl 1124.92008年 [22] Gillespie,D.T.,耦合化学反应的随机模拟,物理化学杂志,812340-2361,(1977) [23] Golightly,A。;Wilkinson,D.J.,使用扩散近似对随机动力学模型进行贝叶斯推断,生物统计学,61,3,781-788,(2005)·Zbl 1079.62110号 [24] 哈斯蒂,T。;Tibshirani,R。;Friedman,J.,《统计学习的要素:数据挖掘、推断和预测》(2009年),纽约施普林格出版社·Zbl 1273.62005年 [25] Helms,V.,《计算细胞生物学原理》,(2008),Wiley VCH Verlag Weinheim,德国 [26] 伊瓦什基夫,L.B。;Donlin,L.T.,i型干扰素反应的调节,《自然评论免疫学》,14,1,36-49,(2014) [27] 容克,B.H。;Schreiber,F.,《生物网络分析》(2008),新泽西州霍博肯John Wiley and Sons公司 [28] 刘,H。;罗德,K。;Wasserman,L.,高维图形模型正则化选择(恒星)的稳定性方法,神经信息处理系统进展,1432-1440,(2010) [29] 麦瓦尔德,T。;施耐德,A。;Busch,H。;萨赫勒,S。;Gretz,N。;Weiss,T.S.,结合理论分析和实验数据生成揭示IRF9是加速干扰素的关键因素α-诱导早期抗病毒信号,FEBS杂志,2774741-4754,(2010) [30] Mohammadi,A。;Abegaz,F。;胡维尔,E。;Wit,E.C.,使用高斯copula图形模型对dupuytren病进行贝叶斯建模,《皇家统计学会杂志:C辑(应用统计学)》,66,3,629-645,(2017) [31] Mohammadi,A。;Wit,E.C.,稀疏高斯图形模型中的贝叶斯结构学习,贝叶斯分析,10,1,109-138,(2015)·Zbl 1335.62056号 [32] Mohammadi,A.和Wit,E.C.(2017年)。BDgraph:使用出生-死亡MCMC的图形模型中的贝叶斯结构学习。R包版本3.40。;Mohammadi,A.和Wit,E.C.(2017年)。BDgraph:使用出生-死亡MCMC的图形模型中的贝叶斯结构学习。R包版本3.40。 [33] 鼹鼠,C.G。;门德斯,P。;Banga,J.R.,《生化途径中的参数估计:全局优化方法的比较》,《基因组研究》,第13期,第2467-2474页,(2003年) [34] Nelsen,R.B.,《Copulas简介》(2006),Springer,Science-Business Media,Inc·Zbl 1152.62030 [35] Pilla,V.L。;罗森伯格,J.M。;陈,V。;Engsuwan,N。;Siddapa,S.,《求解两阶段随机规划车队分配模型的多元自适应回归样条切割平面方法》,《欧洲运筹学杂志》,216162-171,(2012)·兹伯利1237.90133 [36] Purutçuolu,V。;艾伊尔迪斯,E。;Wit,E.,高斯图形模型中两种推理方法的比较,土耳其生物化学杂志,42,2,203-212,(2017) [37] 拉赫马塔拉,Y。;Emmert-Streib,F。;Glazko,G.,基因集净相关分析(GSNCA):基因集的多元差异共表达测试,生物信息学,30,3,360-368,(2014) [38] Reinker,S。;奥尔特曼,R.M。;Timmer,J.,随机生化反应中的参数估计,IEEE Proceedings Systems Biology,153,4,168-178,(2006) [39] Ruppert,D。;Wand,M.P。;Carroll,R.J.,《半参数回归》,(2003),英国剑桥大学出版社·Zbl 1038.62042号 [40] 萨克斯,K。;佩雷斯,O。;佩尔,D。;Lauffenburger博士。;Nolan,G.,从多参数单细胞数据导出的因果蛋白信号网络,《科学》,308,5721,523-529,(2005) [41] Savku,E。;Weber,G.W.,《带延迟的马尔可夫切换跳-扩散模型的随机最大值原理及其在金融中的应用》,优化理论与应用杂志,(2017年) [42] Shuai,K。;Liu,B.,JAK-STAT信号在免疫系统中的调节,《自然评论免疫学》,3,900-911,(2003) [43] 《陌生人》,B.E。;尼卡,A.C。;Forrest,M.S。;迪马斯,A。;伯德,C.P。;Beazley,C.,《人类基因表达的群体基因组学》,《自然遗传学》,39,10,1217-1224,(2007) [44] 泰兰,P。;韦伯,G.W。;Beck,A.,《金融科技现代应用中广义加性模型回归和连续优化的新方法》,《优化》,56,5-6,1-24,(2007)·兹比尔1123.62055 [45] 泰兰,P。;韦伯,G.W。;Yerlikaya-Ùzkurt,F.,《利用Tikhonov正则化和连续优化实现多元自适应回归样条的新方法》,TOP,18,2,377-395,(2010)·Zbl 1208.41007号 [46] 替莫星,B.Z。;Weber,G.W.,《带跳随机混合系统的最优控制:数值逼近》,《计算与应用数学杂志》,259443-451,(2014)·Zbl 1320.93093号 [47] 特里维迪,P。;Zimmer,D.M.,《Copula建模:实践者简介》,《计量经济学基础与趋势》,第1期,第1-111页,(2005年)·Zbl 1195.91130号 [48] 乌尔·O。;Pickl,S.W。;韦伯,G.W。;Wünschiers,R.,《分析遗传网络和生物能源生产的算法方法:OR满足生物学的介绍和贡献》,Optimization,58,1,1-22,(2006)·Zbl 1158.92312号 [49] 韦伯,G.W。;Defterli,O。;哥克,S.Z.A。;Kropat,E.,基于时间序列数据的监管网络建模、推理和优化,《欧洲运筹学杂志》,211,1-14,(2011)·Zbl 1221.93024号 [50] Whittaker,J.,应用多元统计中的图形模型,(1990),John Wiley and Sons New York·Zbl 0732.62056号 [51] Wilkinson,D.J.(2006)。系统生物学的随机建模。佛罗里达州博卡拉顿、泰勒和弗朗西斯。;Wilkinson,D.J.(2006)。系统生物学的随机建模。佛罗里达州博卡拉顿、泰勒和弗朗西斯·Zbl 1099.92004号 [52] 山田,S。;Shiono,S。;Joo,A。;Yoshimura,A.,JAK-STAT信号转导通路的控制机制,FEBS Letters,534190-196,(2003) [53] 耶利卡亚·奥兹科特,F。;巴茨,I。;Weber,G.W.,《圆锥多元自适应回归样条(CMARS):预测数据挖掘的强大工具的回顾和新贡献》,(Zilberman,I.;Pinto,A.,《建模、动力学、优化和生物经济学》,第37卷,(2014年),施普林格国际出版公司,瑞士),695-722 [54] Zhao,T。;Luin,H。;Simon,N.,《R中高维无向图估计的巨大软件包》,《机器学习研究杂志》,第13期,第1059-1062页,(2012年)·兹比尔1283.68311 [55] Zomorrodi,A.R。;Maranas,C.D.,合成遗传电路的粗粒度优化驱动设计和分段线性建模,《欧洲运筹学杂志》,237665-676,(2014)·Zbl 1304.90135号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。