贝叶斯的视角扰乱政策用于推断监管网络的推断

科学领域:

• 系统生物学 系统生物学
• 计算生物学 计算生物学
• 网络科学 网络科学

背景情况:

• 监管网络,如基因监管和微生物网络,是复杂和不确定的,限制了模型的准确性.
• 标准数据采集不足以解决这些网络中的模型不确定性和不可识别性问题.
• 干扰策略对于生成有针对性的数据至关重要,以阐明潜在的网络机制.

研究的目的:

• 开发一种系统地扰乱监管网络的方法,以改善模型推断.
• 用贝叶斯方法解决布尔网络模型中的非识别性问题.
• 创建一个可扩展的深度强化学习政策,以实现最佳的扰动策略.

主要方法:

• 使用以后最大限度 (MAP) 标准与部分事先知识的网络推理的制定.
• 开发一个贝叶斯看头策略来指导网络干扰.
• 实施深度强化学习框架,在没有真实数据的情况下学习最佳扰动策略.

主要成果:

• 拟议的深度强化学习政策有效地学习了接近最佳的贝叶斯扰动策略.
• 该方法在提高监管网络的MAP推断准确度方面表现出很高的表现.
• 在哺乳动物细胞周期和肠道微生物社区网络模型上成功应用.

结论:

• 开发的贝叶斯看头策略,通过深度强化学习进行优化,为扰乱监管网络提供了强大的方法.
• 这种无数据学习策略有效地克服了不可识别性,并改善了复杂生物系统中的模型推理.
• 这种方法具有很大的潜力,可以促进基因调节和微生物社区动态的研究.