基于线性化及鲁棒状态估计的基因调控网络结构辨识算法

推断生物网络各组分之间的因果关系是系统生物学领域的一个重要课题。基因调控网络通常可以由非线性状态空间模型表征,那么,扩展卡尔曼滤波算法可以用来估计网络中各基因的表达水平及网络的参数。但是扩展卡尔曼滤波算法既没考虑未建模动态,也没考虑参数的不准确性。这使得扩展卡尔曼滤波算法的估计精度在时间序列数据长度较短时产生了劣化现象。

为提高辨识性能,清华大学自动化系周彤教授及其研究团队采用含有不确定性的线性状态空间模型来近似非线性基因调控网络。基于此,基因调控网络结构辨识问题可诉诸于鲁棒状态估计算法。将所提算法应用于人工构造的非线性基因调控网络时,仿真结果表明其收敛速度与参数收敛精度明显优于基于扩展卡尔曼滤波器的网络拓扑结构辨识算法,这就使得假阳性率与假阴性率明显降低。此外,采用实际生物实验数据的计算结果同样表明,所用算法的辨识效果优于基于扩展卡尔曼滤波器的网络拓扑结构辨识算法的辨识效果。该研究发表在2014年《Automatica》杂志上。

参考文献:

Structure identification for gene regulatory networks via linearizationand robust state estimation.Jie Xiong  and Tong Zhou.Automatica.2014

作者简介:

周彤:北京清华大学自动化系教授,自动化系学术委员会主席。清华973国家重点基础研究发展计划项目《基于新一代测序的生物信息学理论与方法》第四课题组学术骨干。研究方向包括:多维系统极限性能分析与综合;基因调控的网络模型构建及干预机理研究;鲁棒控制理论及工程应用;系统辨识理论及工程应用。