[发明专利]与基于网络的生物标记签名相关的系统和方法

权利要求书

1.一种用于产生用于表型预测的分类器的计算机化方法，包括以下步骤：

(a)在处理装置处接收指示计算因果网络模型的数据，其中该数据表示促成表型的生物系统，并且该数据包括：

多个节点，表示所述生物系统中的生物实体；和

多个边，连接所述多个节点中的节点对，并且表示由节点表示的生物实体之间的关系；

其中，一个或多个边与方向值相关联，所述方向值表示由节点表示的生物实体之间的因果激活关系或因果抑制关系，并且其中每个节点通过边连接到至少一个其他节点；

(b)在所述处理装置处接收(i)与第一生物实体子集的在第一组条件下获得的活动相应的第一数据集合、以及(ii)与第一生物实体子集的在不同于第一组条件的第二组条件下获得的活动相应的第二数据集合，其中，所述第一组条件和所述第二组条件与所述表型相关；

(c)用所述处理装置计算与所述第一生物实体子集相应的第一节点子集的活动度量集合，每个活动度量表示来自b(i)的第一组条件下的第一度量与来自b(ii)的第二组条件下的第二度量之间的差别；

(d)通过对于第二节点子集中的每个特定节点，识别使差别声明最优化的活动值，用所述处理装置产生所述第二节点子集的推断的活动值集合，所述第二节点子集表示促成所述表型的、但是其活动在步骤(c)未被测量的生物实体候选，所述差别声明表示所述特定节点的活动值与在所述计算因果网络模型内所述特定节点通过边连接的节点的活动值或活动度量之间的差别，其中，所述差别声明取决于所述第二节点子集中的每个节点的活动值；和

(e)用所述处理装置使用机器学习技术、使用所述活动度量集合和所述活动值集合两者作为输入来产生用于所述表型的分类器。

2.根据权利要求1所述的计算机化方法，其中，在步骤(e)产生用于所述表型的分类器包括：

(e1)产生作用于包括所述第一生物实体子集的活动度量的第一矢量以产生包括所述第二节点子集的活动值的第二矢量的算子；

(e2)使用所述算子识别要被用作机器学习技术中的内核的所述第二节点子集的子集；和

(e3)将所识别的子集作为输入提供给所述机器学习技术。

3.根据权利要求1-2中的任何一个所述的计算机化方法，其中，对于多个计算因果网络模型执行步骤(a)、(b)、(c)和(d)，并且将与每个计算因果网络模型相应的活动值集合聚集成包含要在步骤(e)由机器学习技术使用的活动值集合的矩阵。

4.根据权利要求3所述的计算机化方法，其中，对于多个计算因果网络模型执行步骤(a)、(b)、(c)、(d)和(e)，并且还包括：

(h1)对于每个分类器，跨多个计算因果网络模型识别第二生物实体集合的具有高于阈值的分类性能统计数据的一个或多个生物实体；和

(h2)将所识别的所有生物实体聚集成高性能实体集合；

(h3)用所述处理装置使用机器学习技术、基于与所述高性能实体集合相关联的活动值来产生生物状况的新的分类器；和

(h4)输出所述新的分类器。

5.根据权利要求1所述的计算机化方法，其中，所述机器学习技术包括支持矢量机技术。

6.根据权利要求1所述的计算机化方法，其中，所述差别声明还取决于所述第二节点子集中的每个节点和第二节点子集中的每个节点所连接到的节点之间的边的方向值。

7.根据权利要求1所述的计算机化方法，其中，所述活动值集合中的每个活动值是所述活动度量集合中的活动度量的线性组合。

8.根据权利要求7所述的计算机化方法，其中，所述线性组合取决于所述第一节点子集中的节点与所述第二节点子集中的节点之间的边，并且还取决于所述第二节点子集中的节点之间的边。

9.根据权利要求7所述的计算机化方法，其中，所述线性组合不取决于所述第一节点子集中的节点之间的边。