[发明专利]一种基于基因表达数据的基因调控网络重构方法

摘要

本发明提供一种基于基因表达数据的基因调控网络重构方法，涉及生物信息学中基因调控网络重构技术领域。该方法包括：获得重构所需基因表达量数据；对数据进行归一化处理；对目标基因表达量预测建模；预测目标基因表达量；分析输入特征基因与目标基因调控关系；基因调控网络重构。本发明提供的一种基于基因表达数据的基因调控网络重构方法，能够根据基因表达数据实现高精度基因调控网络建模，使用差分进化算法优化的Elman神经网络预测基因的表达量，具有运算速度快，精度高的优点，另外，使用模拟数据能够解决数据量不足的问题，使最终所建立的基因调控网络具有良好的准确性，其适用范围广，可适用于不同的基因表达数据，具有良好可移植性。

主权项

1.一种基于基因表达数据的基因调控网络重构方法，其特征在于，包括以下步骤：步骤1：从公共数据库或基因表达量测定实验中获得重构所需要的基因表达量数据，其集合表示为Data＝{(Xn，Tn)|n＝1，2，......，N}，其中，Xn为第n个样本中输入特征基因表达量，Tn为第n个样本中目标基因表达量，N为基因表达量样本数量，m为输入特征基因维数；步骤2：采用转换函数对重构所需要的基因表达量数据进行归一化处理；步骤3：选择重构所需要的基因中的一个未分析的基因作为目标基因，即作为研究对象的基因；步骤4：构建基于差分进化算法和Elman神经网络的基因表达量预测模型，即输入特征基因与目标基因之间的关系，所述输入特征基因是与目标基因表达相关的基因，具体方法为：步骤4.1：初始化差分进化算法的参数，包括当前迭代次数G、最大迭代次数Gmax、变异因子FR、交叉概率CR、允许误差δ、种群中个体个数NP、个体维数D、个体的取值范围[Umin，Umax]；步骤4.2：初始化差分进化算法种群中NP个D维个体；步骤4.3：根据种群中NP个D维个体的信息初始化Elman神经网络权重参数，得到NP个初始化的Elman神经网络，针对得到的NP个初始化的Elman神经网络均执行步骤4.4‑步骤4.6；步骤4.4：根据归一化处理后的重构所需要的基因表达量数据及初始化的Elman神经网络权重参数，训练得到Elman神经网络预测模型以及连接输入层和隐含层的权重值w1、连接隐含层和反馈层的权重值w2、连接隐含层和输出层的权重值w3；步骤4.5：用Elman神经网络预测模型计算Data集合中各个样本对应输入特征基因的目标基因表达量的预测值；步骤4.6：计算模型预测值与其对应真实值的平均绝对误差值作为个体的适应度值F；步骤4.7：判断差分进化算法是否满足终止条件，若满足，则输出NP个适应度值中的最小值Fmin所对应的预测模型，执行步骤5；若不满足，则执行步骤4.8；其中，终止条件为NP个适应度值中的最小值Fmin小于预先设定的允许误差δ或当前迭代次数G大于预先设定的最大迭代次数Gmax；步骤4.8：更新个体，令G＝G+1，返回步骤4.3；步骤5：在输入特征基因表达量的范围内，随机生成符合均匀分布的模拟基因表达量数据集；步骤6：根据模拟数据集，使用所建立的基因表达量预测模型，预测对应的目标基因表达量，并输出；步骤7：根据模拟的输入特征基因表达量和预测的目标基因表达量，使用皮尔森相关系数分析法，分析输入特征基因与目标基因调控关系；步骤8：判断重构所需要的基因是否已全部作为目标基因，若是，执行步骤9，若否，返回步骤3；步骤9：根据全部重构所需要的基因作为目标基因所得到的皮尔森相关系数分析结果，重构基因调控网络。