[发明专利]一种基因调控网络的多因素模型优化方法

说明书

本发明公开了一种基因调控网络的多因素模型优化方法，其包括利用基因的非线性微分方程模型和差分运算方法，结合机器学习算法，推断基因调控网络，并基于多目标优化思想和遗传算法优化关键参数衰减率。本发明在传统微分方程模型基础上引入噪声、衰减率、时间延迟的作用，基于机器学习算法训练非线性调控函数，可以更好地模拟基因表达的非线性动态过程；运用所提算法优化影响基因表达的重要参数衰减速率和时间延迟，进而构造出更加准确且高效的数学模型来从基因表达数据中推断基因调控网络。

技术领域

本发明涉及基因调控网络领域，尤其涉及一种基因调控网络的多因素模型优化方法。

背景技术

新一代高通量测序技术的发展，获得了丰富的基因表达数据，这些数据背后隐藏着基因的动态过程和彼此间的相互作用关系，了解基因的动态过程和相互间的调控关系有助于理解生物体的调控机理，从系统的角度认识、理解生物遗传信号的传输、细胞的分裂等活动规律。这些基因之间复杂的相互作用关系可以抽象成网络结构称为基因调控网络，通过正确推断基因调控网络可以发现基因之间的调控关系，识别病变细胞的关键调控基因，有助于肿瘤等复杂疾病的诊断、治疗以及靶向药物的研发，目前对于基因调控网络的推断已经提出了很多可靠的方法，但是很多方法仍需要继续进行优化。

基于机器学习算法构造微分方程模型是推断基因调控网络的常用方法之一，它无需得到明确的微分方程数学表达式，适合于大规模基因调控网络的推断。但是，大多数研究者使用该方法推断基因调控网络时仍有两个问题没有考虑到。一是建立微分方程模型时，仅分析基因间相互作用没考虑到基因表达受环境和实际调控机制等多因素影响。二是对模型中涉及的关键参数优化没有提出有效的方法，导致模型不准确，计算复杂。

发明内容

本发明提供一种基因调控网络的多因素模型优化方法，以克服模型不准确，计算复杂等技术问题。

为了实现上述目的，本发明的技术方案是：

一种基因调控网络的多因素模型优化方法，其特征在于，包括：

步骤1，构建基因表达数据微分方程模型；

步骤2，将衰减速率数据和时间延迟数据构成参数数据集，结合噪声数据集、时间序列数据集和基因表达数据微分方程模型构建基因的非线性微分方程模型；

步骤3，利用差分运算方法对非线性常微分方程模型进行近似微分运算；

步骤4，利用机器学习算法，结合近似微分运算后的非线性常微分方程模型，得到基因调控网络、aupr值和auroc值；

步骤5，在参数约束范围内随机生成衰减速率和时间延迟第一代种群；

步骤6，利用遗传算法对衰减速率和时间延迟第一代种群进行交叉、变异、重组后得到衰减速率和时间延迟第二代种群；

步骤7，将aupr值和auroc值设为两个目标函数计算衰减速率和时间延迟第二代种群与衰减速率和时间延迟第一代种群适应度并进行快速非支配排序得到衰减速率和时间延迟第三代种群；

步骤8，利用拥挤度计算方法在衰减速率和时间延迟第三代种群中筛选出衰减速率第四代种群；

步骤9，重复步骤6至步骤8，完成设定的迭代次数后停止运算，得到不同的衰减速率和时间延迟第四代种群，不同的衰减速率和时间延迟第四代种群构成最优衰减速率和时间延迟种群；

步骤10，将最优衰减速率和时间延迟种群中的衰减速率和时间延迟参数分别代入近似微分运算后的非线性微分方程模型，在噪声环境下推断基因调控网络，选择对噪声作用最不敏感的一组衰减速率和时间延迟参数为模型最优参数。

进一步的，步骤1中当f_i是非线性函数时，构建基因表达数据微分方程模型的公式为：