Network Reconstruction From High-Dimensional Ordinary Differential Equations.
Network Reconstruction From High-Dimensional Ordinary Differential Equations.
复制标题
DOI：
10.1080/01621459.2016.1229197
复制
发表时间：
2017
影响因子：
3.7
通讯作者：
Witten DM
中科院分区：
文献类型：
--
作者：
Chen S;Shojaie A;Witten DM
我们考虑从高维时程数据中学习动态系统的任务。例如，我们可能希望通过在离散时间点测量的基因表达数据来估计基因调控网络。我们将动力系统非参数地建模为一个可加常微分方程系统。现有的常微分方程参数估计方法大多是从有噪声的观测值中估计导数。众所周知，这是具有挑战性和效率低下的。我们提出了一种不涉及导数估计的新方法。我们证明了所提出的方法即使在高维情况下也能一致地恢复真实的网络结构，并且我们证明了比竞争方法的经验改进。本文的补充材料可在网上获得。
We consider the task of learning a dynamical system from high-dimensional time-course data. For instance, we might wish to estimate a gene regulatory network from gene expression data measured at discrete time points. We model the dynamical system nonparametrically as a system of additive ordinary differential equations. Most existing methods for parameter estimation in ordinary differential equations estimate the derivatives from noisy observations. This is known to be challenging and inefficient. We propose a novel approach that does not involve derivative estimation. We show that the proposed method can consistently recover the true network structure even in high dimensions, and we demonstrate empirical improvement over competing approaches. Supplementary materials for this article are available online.
登录
查看更多内容
影响因子：
1.5
作者：
Gugushvili, Shota;Klaassen, Chris A. J.
通讯作者：
Klaassen, Chris A. J.
DOI：
10.1073/pnas.0913357107
发表时间：
2010-04-06
影响因子：
11.1
作者：
Marbach, Daniel;Prill, Robert J.;Stolovitzky, Gustavo
通讯作者：
Stolovitzky, Gustavo
DOI：
10.1111/j.1467-9868.2007.00627.x
发表时间：
2008-01-01
影响因子：
5.8
作者：
Meier, Lukas;van de Geer, Sara A.;Buhlmann, Peter
通讯作者：
Buhlmann, Peter
使用回归模型中的测量误差框架进行微分方程模型的参数估计。
DOI：
10.1198/016214508000000797
发表时间：
2008-12-01
影响因子：
3.7
作者：
Liang H;Wu H
通讯作者：
Wu H
使用非参数添加剂模型的网络重建。
影响因子：
3.7
作者：
Henderson J;Michailidis G
通讯作者：
Michailidis G