基于XGBoost的基因静态数据调控网络推断方法

• 作者: 姜青山 车丹丹 郭顺
• 来源期刊: 集成技术
• 学科: 工学
• 关键词: 基因调控网络 静态数据 Boosting模型 基因表达数据
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 电子信息
• 页码范围: 50-59
• 页数: 10页
• 分类号: TP399
• 字数: 7193字
• 语种: 中文
• DOI: 10.12146/j.issn.2095-3135.20191231001

摘要

对于静态基因表达数据来说,推断基因调控网络仍是系统生物学中的一个挑战——存在大量识别难度高的直接或间接调控关系,而传统方法的准确性和可靠性还有待进一步提高.为此,该文提出一种基于Boosting集成模型的方法(XGBoost),应用随机化和正则化来解决模型过拟合问题,同时针对建模所得权重不一致的问题,对初始权重增加归一化和统计学方法处理.最终,采用DREAM5挑战的基准数据集对所提出方法进行性能验证.实验结果表明,XGBoost比现有其他方法获得更好的性能:在in-silico生成的模拟数据集中,接受者操作特征曲线面积(AUPR)和正确率-召回率曲线面积(AUROC)两个评估指标均显著优于现有方法;在E.coli和S.cerevisiae两种生物的真实实验数据中,AUROC指标均高于现有最优方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姜青山	中国科学院深圳先进技术研究院	8	51	4.0	7.0
2	郭顺	中国科学院深圳先进技术研究院	11	52	2.0	7.0
3	车丹丹	中国科学院深圳先进技术研究院	1	0	0.0	0.0