[发明专利]一种启发式代谢共表达网络的构建方法及系统有效
申请号: | 201610050607.X | 申请日: | 2016-01-25 |
公开(公告)号: | CN105718999B | 公开(公告)日: | 2018-05-29 |
发明(设计)人: | 纪震;周家锐;殷夫;朱泽轩 | 申请(专利权)人: | 深圳大学;纪震;周家锐;殷夫;朱泽轩 |
主分类号: | G06N3/00 | 分类号: | G06N3/00 |
代理公司: | 深圳市君胜知识产权代理事务所(普通合伙) 44268 | 代理人: | 王永文;刘文求 |
地址: | 518060 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开一种启发式代谢共表达网络的构建方法及系统。本发明根据最大依赖准则将多个代谢物特征的互信息作为适应度函数值,并使用启发式计算智能多模优化算法对最优特征子集进行寻优搜索。通过多次运行这一优化过程,将各次结果进行组合学习,构造共表达网络结构。最后,通过概率模型计算切分阈值,获得准确、稳定的代谢共表达网络。 | ||
搜索关键词: | 共表达 启发式 代谢 构建 最优特征子集 适应度函数 多模优化 概率模型 网络结构 网络 代谢物 互信息 算法 寻优 搜索 智能 优化 学习 | ||
【主权项】:
1.一种启发式代谢共表达网络的构建方法,其特征在于,包括步骤:A、对原始的代谢特征数据集F* 进行正规化预处理,使其中所有M个代谢特征矢量在每个维度上都具有0均值及单位方差: F m = F m * - μ m δ m , F m * ∈ F * ; ]]> F={Fm ;m=1,2,...,M}为预处理后的代谢特征数据集,μm 、δm 分别为第m个原始的代谢特征矢量F* m 的均值与方差;B、设定特征选择总运行次数为K,初始化运行计数器k=1;C、构造多模优化的进化种群ps,将其所包含的每个寻优个体Xi ∈ps初始化为范围R=[0,1]内均匀分布的M维随机矢量;D、设定算法迭代总次数为G,初始化迭代计数器g=1;E、计算进化种群ps中每个寻优个体的共享适应度函数值;F、在计算所有寻优个体的共享适应度函数值后,使用启发式计算智能算法优化进化种群ps;G、更新迭代计数器g=g+1,若g<G,则返回步骤E;否则本次优化结束,进入步骤H;H、对于优化后进化种群ps中的每个寻优个体Xi ,将其映射为选择矢量Si ;I、构造对称的共表达权值矩阵Wk ={wp,q }M×M ,其中对角线元素wp,p 为所有Si 中代谢特征矢量Fp 被选中的次数,p∈M: w p , p = Σ i ∈ | p s | s p ∈ S i ]]> 其余元素wp,q 则为Si 中代谢特征矢量Fp 与Fq 被同时选中的次数,p,q∈M,p≠q:wp,q =∑i∈|ps |sp ∩sq ;sp ,sq ∈Si ;J、更新运行计数器k=k+1,若k<K,则返回步骤C,否则特征选择完成,进入步骤K;K、对每次运行所获得的共表达权值矩阵进行平均,并计算其对应的概率,得到最终的共表达权值矩阵为Ω={ωp,q }M×M ,其中|ps|为进化种群ps中的寻优个体总数: ω p , q = 1 K | p s | Σ k ∈ K w p , q ∈ W k ; ]]> L、将每次特征选择中最终输出的每个Si 视作优化算法对于代谢特征数据集空间的一次采样,其sm ∈Si 服从概率pm 的伯努利分布,则wp,p 即为服从B(|ps|,pm )二次分布的随机变量;M、将最终的共表达权值矩阵视作组合学习投票方法的稳态结果;N、使用最终的共表达权值矩阵中的对角线元素ωp,p 作为节点p的重要性权重,其余任意ωp,q ,p≠q作为节点Fp 与Fq 之间的连接权重,构建全连通加权网络G,而后移除其中权重小于阈值ωt 的节点与边,形成该原始的代谢特征数据集F* 的代谢共表达网络;O、输出所述代谢共表达网络作为结果;Fm的选择概率pm∈[0.05,0.95],则在每次特征选择使用|ps|为100个寻优个体的条件下,重复运行6次,在98%的置信区间内,p,p的均值误差不超过5%。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳大学;纪震;周家锐;殷夫;朱泽轩,未经深圳大学;纪震;周家锐;殷夫;朱泽轩许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201610050607.X/,转载请声明来源钻瓜专利网。
- 上一篇:基于流特征的因果结构学习方法
- 下一篇:一种生成二维码图片的方法