生物统计学(biostatistics)笔记-7.Regulatory Network

目录

基础知识

1、Scale-free network

2、ChIP-chip experiments

贝叶斯网络

1、贝叶斯网络

2、初级：参数学习

3、中级：图分解

4、高级：近似算法 

5、特级：EM算法

---

基础知识

1、Scale-free network

• 无标度网络，node-linker呈现幂律分布（Power - law distribution）。在这种网络中，少数节点（称为枢纽节点，Hub nodes）具有非常高的连接度，而大多数节点只有很少的连接

2、ChIP-chip experiments

• 检测与TF直接/间接结合的目标基因

贝叶斯网络

1、贝叶斯网络

把某个研究系统中涉及的随机变量,根据是否条件独立绘制在一个有向图中,就形成了贝叶斯网络

2、初级：参数学习

频率代替概率

3、中级：图分解

• 图分解等价于分解成几个完全独立的概率估计问题
• 以“果”为一个子图

根据网络的结构，可能性分解为小的可能性

如果每个族的参数不相关，它们可以相互独立地估计。

4、高级：近似算法 

开始时随机给出一些关系，为判断其正确性，随机地删除、添加一条边，重新计算概率，若概率变高，则用新的贝叶斯网络取代原来的贝叶斯网络

贝叶斯网络的情况。

—数据建模(概率分布)

—网络编码(参数个数)

启发式搜索的典型操作：贪心算法

5、特级：EM算法

所需参数=Σ2^k，k为每个点的入度

如y=ax+b，自变量有一个时需要两个参数

y=ax1+bx2+cx1x2+d，需要四个参数