[發(fā)明專利]一種基于基因表達(dá)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711227222.7
• 申請(qǐng)日: 2017-11-29
• 公開（公告）號(hào): CN108197432B
• 公開（公告）日: 2021-04-02
• 發(fā)明（設(shè)計(jì)）人: 唐振浩;王宇;曹生現(xiàn)
• 申請(qǐng)（專利權(quán)）人: 東北電力大學(xué)
• 主分類號(hào): G16B25/00
• 分類號(hào): G16B25/00;G16B40/00;G06N3/04;G06N3/08
• 代理公司: 沈陽東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 朱光林

1.一種基于基因表達(dá)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法，其特征在于，包括以下步驟：

步驟1：從公共數(shù)據(jù)庫或基因表達(dá)量測定實(shí)驗(yàn)中獲得重構(gòu)所需要的基因表達(dá)量數(shù)據(jù)，其集合表示為Data＝{(X_n，T_n)|n＝1，2，......，N}，其中，X_n為第n個(gè)樣本中輸入特征基因表達(dá)量，T_n為第n個(gè)樣本中目標(biāo)基因表達(dá)量，N為基因表達(dá)量樣本數(shù)量，m為輸入特征基因維數(shù)；

步驟2：采用轉(zhuǎn)換函數(shù)對(duì)重構(gòu)所需要的基因表達(dá)量數(shù)據(jù)進(jìn)行歸一化處理；

步驟3：選擇重構(gòu)所需要的基因中的一個(gè)未分析的基因作為目標(biāo)基因，即作為研究對(duì)象的基因；

步驟4：構(gòu)建基于差分進(jìn)化算法和Elman神經(jīng)網(wǎng)絡(luò)的基因表達(dá)量預(yù)測模型，即輸入特征基因與目標(biāo)基因之間的關(guān)系，所述輸入特征基因是與目標(biāo)基因表達(dá)相關(guān)的基因，具體方法為：

步驟4.1：初始化差分進(jìn)化算法的參數(shù)，包括當(dāng)前迭代次數(shù)G、最大迭代次數(shù)G_max、變異因子FR、交叉概率CR、允許誤差δ、種群中個(gè)體個(gè)數(shù)NP、個(gè)體維數(shù)D、個(gè)體的取值范圍[U_min，U_max]；

步驟4.2：初始化差分進(jìn)化算法種群中NP個(gè)D維個(gè)體；

步驟4.3：根據(jù)種群中NP個(gè)D維個(gè)體的信息初始化Elman神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)，得到NP個(gè)初始化的Elman神經(jīng)網(wǎng)絡(luò)，針對(duì)得到的NP個(gè)初始化的Elman神經(jīng)網(wǎng)絡(luò)均執(zhí)行步驟4.4-步驟4.6；

步驟4.4：根據(jù)歸一化處理后的重構(gòu)所需要的基因表達(dá)量數(shù)據(jù)及初始化的Elman神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)，訓(xùn)練得到Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型以及連接輸入層和隱含層的權(quán)重值w₁、連接隱含層和反饋層的權(quán)重值w₂、連接隱含層和輸出層的權(quán)重值w₃；

步驟4.5：用Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型計(jì)算Data集合中各個(gè)樣本對(duì)應(yīng)輸入特征基因的目標(biāo)基因表達(dá)量的預(yù)測值；

步驟4.6：計(jì)算模型預(yù)測值與其對(duì)應(yīng)真實(shí)值的平均絕對(duì)誤差值作為個(gè)體的適應(yīng)度值F；

步驟4.7：判斷差分進(jìn)化算法是否滿足終止條件，若滿足，則輸出NP個(gè)適應(yīng)度值中的最小值F_min所對(duì)應(yīng)的預(yù)測模型，執(zhí)行步驟5；若不滿足，則執(zhí)行步驟4.8；

其中，終止條件為NP個(gè)適應(yīng)度值中的最小值F_min小于預(yù)先設(shè)定的允許誤差δ或當(dāng)前迭代次數(shù)G大于預(yù)先設(shè)定的最大迭代次數(shù)G_max；

步驟4.8：更新個(gè)體，令G＝G+1，返回步驟4.3；

步驟5：在輸入特征基因表達(dá)量的范圍內(nèi)，隨機(jī)生成符合均勻分布的模擬基因表達(dá)量數(shù)據(jù)集；

步驟6：根據(jù)模擬數(shù)據(jù)集，使用所建立的基因表達(dá)量預(yù)測模型，預(yù)測對(duì)應(yīng)的目標(biāo)基因表達(dá)量，并輸出；

步驟7：根據(jù)模擬的輸入特征基因表達(dá)量和預(yù)測的目標(biāo)基因表達(dá)量，使用皮爾森相關(guān)系數(shù)分析法，分析輸入特征基因與目標(biāo)基因調(diào)控關(guān)系；

步驟8：判斷重構(gòu)所需要的基因是否已全部作為目標(biāo)基因，若是，執(zhí)行步驟9，若否，返回步驟3；

步驟9：根據(jù)全部重構(gòu)所需要的基因作為目標(biāo)基因所得到的皮爾森相關(guān)系數(shù)分析結(jié)果，重構(gòu)基因調(diào)控網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的基于基因表達(dá)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)建模方法，其特征在于，所述步驟2中采用轉(zhuǎn)換函數(shù)對(duì)重構(gòu)數(shù)據(jù)進(jìn)行歸一化處理的轉(zhuǎn)換函數(shù)如下所示：

其中，為第n個(gè)樣本第m維歸一化后的值；為第n個(gè)樣本第m維的原始數(shù)據(jù)值；為樣本數(shù)據(jù)中第m維基因表達(dá)量的最大值；為樣本數(shù)據(jù)中第m維基因表達(dá)量的最小值。

3.根據(jù)權(quán)利要求1所述的基于基因表達(dá)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)重構(gòu)方法，其特征在于，所述步驟4.2中根據(jù)初始化差分進(jìn)化算法的參數(shù)初始化差分進(jìn)化算法種群的公式如下：

x_ij^G＝U_min+rand×(U_max-U_min)；

其中，x_ij^G為第G代中第i個(gè)個(gè)體的第j維的值，i＝1，2，......，NP，j＝1，2，......，D，D為個(gè)體維數(shù)，即待優(yōu)化參數(shù)數(shù)量，rand∈[0,1]為一個(gè)服從均勻分布的隨機(jī)數(shù)。