生物学探究的基因关联是类似于因果关系的本质联系,要解决的关键问题是寻找一种可以描述本质联系的方法。针对Dialogue for Reverse Engineering Assessments and Methods第3次竞赛项目(DREAM3)中的大肠杆菌(E.coli)基因调控网络结构辨识问题,提出一种基于再生核希尔伯特空间(RKHS)的统计独立性度量方法——Hilbert-Schmidt独立性准则(HSIC)。此方法是一种基于分布的非参数独立性度量方法,并不要求数据符合某种特定分布,不以分类率、模型简单度等外部条件作为约束条件,同时非参数定量地描述变量之间的联系程度。对大肠杆菌基因表达数据的实验结果显示,尽管数据集中的时间序列数据样本很小,并且只提供了较弱的和类型复杂的调控信息,但HSIC方法仍能较好地辨识出这种较为隐含且复杂的调控关系。对比计算显示,在3种数据规模下,采用HSIC方法辨识结果的AUROC值高于Granger Causality(GC)方法 23个百分点,高于参与此竞赛的第1名3.9个百分点,而且在计算效率上亦高出其所使用的微分方程法3个数量级。
针对卵巢癌化疗反应(ovarian cancer chemotherapy response,OCCR)基因调控模型问题,文中提出一种基于基因团搜索建立基因网络的方法。利用搜索基因对基因组进行搜索,找到与之相关的基因团,通过桥基因拼接得到基因网络,并对结果从统计学和生物学角度进行验证。统计检验显示基因间关系显著,且基因间动态关系变化明显。丰度分析表明,基因团显著参与了生物调控过程。独立的网络分析及调控路径分析显示了基因团之间强烈的调控关系。大量文献查询显示,该基因网络在肿瘤形成、细胞增殖及转移中起重要作用,且与卵巢癌化疗反应有密切关系。
