Discovering Gene Networks with a Neural-Genetic Hybride（2005）阅读笔记
摘要
这篇文章属于基因调控网络方面的内容，其中一个挑战是阐明基因、蛋白质和其他基因产物之间的调控联系和相互作用。在这篇文章中，提出了一种利用遗传算法(GA)和神经网络(ANN)相结合的方法来确定时序基因表达数据中基因间的相互作用。该算法总共在三个数据集上进行了验证：人工数据集（小型，且由程序生成）、大鼠脊髓数据（Rat Spinal Cord Data，真实世界数据）、酵母细胞周期数据（Yeast Cell Cycle Data，真实世界数据）。
方法
Neural-Genetic方法使用单层神经网络，其中使用梯度下降的方法来优化ANN中参数的权重。该算法将神经网络和GAs两种方法相结合，利用问题生物学上的连通性限制以及对问题学习方面的sigmoid 激活函数。其中GA的染色体编码为二进制编码。
对于在网络中的每一个基因：
- 将 gene1 作为输出基因, g e n e j gene_j genej。
- 使用GA生成N个基因的组合（ g e n e 1 , g e n e 2 , . . . . , g e n e n gene_1,gene_2,....,gene_n gene1,gene2,....,genen）来影响输出基因。每一个组合为一个一个染色体个体，全部的组合构成初始化的种群。
- 对于每个染色体个体，为 g e n e 1 , g e n e 2 , . . . , g e n e n gene_1,gene_2,...,gene_n gene1,gene2,...,genen选择成对儿的表达值， g e n e j gene_j genej从数据库中生成一组输入输出的训练集。 g e n e 1 , g e n e 2 , . . . , g e n e n gene_1,gene_2,...,gene_n gene1,gene2,...,genen在t0时刻的表达值成为ANN的输入值， g e n e j gene_j genej在t1时刻的表达值成为ANN的目标输出值，从t(N-1)到t(N),不断重复，形成训练集。每组的数据都来自这个训练集。
- 在ANN中，使用梯度下降法来决定训练数据中输入基因和输出基因之间的权重，知道达到某个约束条件后停止。
- 将对于 g e n e 1 , g e n e 2 , . . . , g e n e n gene_1,gene_2,...,gene_n gene1,gene2,...,genen，最终ANN的输出的错误率作为染色体个体的适应度值，重复步骤3和4，直到得到每个染色体个体的值。
- 重复步骤2-5作为一个常规的GA操作，使用所有染色体上的标准交叉和突变算子来改变选择的输入基因(但不改变输出基因)。
- 由于某些停止准则， 当遗传算法停止时，保存最好的染色体和连接基因与输出节点的在网络结构上的权重。
- 对网络中的每个基因重复步骤1-7。也就是说，更新 g e n e j gene_j genej(增加j)。
实验结论
在人工数据和真实数据上，该算法已被证明能够精确地拟合它所训练的数据。此外，该算法还能从大量训练实例中发现模型，并能以较好的精度再现测试数据实例。从真实数据中发现基因网络的问题之一是缺乏确定的网络模型来比较该方法，但该方法能够重现测试数据点这一事实在该领域具有重要意义。此外，对于这个问题的重复方法可以生成具有灵活连接数的模型，但是对于更稀疏的解决方案，模型中最重要的连接将被保留。
在算法复现的过程中，由于数据集无法获得，所以终止了这一工作，上文仅是对文章算法部分最主要的描述。
350
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
