28、果蝇基因表达线性动力学模型与膀胱癌诊断智能系统研究

果蝇基因表达线性动力学模型与膀胱癌诊断智能系统研究

在生物学和医学研究领域，基因表达模型的鲁棒性以及疾病诊断的智能系统开发一直是重要的研究方向。下面将分别介绍果蝇基因表达线性动力学模型的鲁棒性分析，以及基于血浆 microRNAs 的膀胱癌非侵入性诊断智能临床决策支持系统。

果蝇基因表达线性动力学模型鲁棒性分析

在基因表达研究中，为了深入了解基因网络的特性，对果蝇基因表达的线性动力学模型进行了一系列研究。

模型参数估计与优化

首先进行非线性参数估计，以线性识别程序得到的参数值作为初始值，采用单纯形搜索方法，得到使成本函数最小的矩阵和初始值。估计得到的矩阵编码了基因簇的相互影响，为了找到更优的参数集，进行了模型的参数约简。约简过程是迭代的，每次迭代将取消后引起最小成本函数的参数永久设为零，然后进行非线性参数优化，使成本函数最小化，同时保持已消除的参数为零。当消除的参数数量达到 227 时，成本函数值大致保持不变或缓慢增加，此时剩余 62 个参数，平均每个基因簇有 3.65 个连接，进一步减少参数会导致成本函数值显著跳跃。

模型鲁棒性分析方法

• 参数扰动 ：分析了完整和简化基因表达网络对两种类型扰动的鲁棒性，即单个参数扰动（P1）和集体参数扰动（PAll）。在单个参数扰动中，每次对矩阵元素进行修改，增加或减少其原始值的给定百分比（P1 = ±1% 或 P1 = ±5%），计算估计的表达谱和相关成本函数，确定未扰动和扰动估计谱之间偏差最大的簇和时间点，考虑偏差的最小值和最大值。在集体参数扰动中，同时修改网络的所有参数，通过给每个参数添加不同的随机百分比（范围在 [-p,