Nonparametirc Bayes-based infinite mixture model algorithms for Bioinformatics

基于非参数贝叶斯的生物信息学无限混合模型算法

• 批准号: 23700274
• 负责人: KABURAGI Takashi
• 金额: $ 1.83万
• 依托单位: Aoyama Gakuin University (2013)Gakushuin University (2011-2012)
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2011
• 资助国家: 日本
• 起止时间: 2011 至 2012
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-23700274/
• 关键词: バイオインフォマティクス; ベイズ学習; 隠れマルコフモデル; ベイジアンネットワーク; ノンパラメトリックベイズモデル; タンパク質機能予測; 遺伝子発現データ; 時系列データ解析; 機械学習; ベイジアン年ットワークモデル; ベイジアンネットワークモデル

We proposed a non-parametric Bayesan models to two bioinformatics applications: 1) automatic protein function prediction and 2) gene expression network inference. For automatic protein function prediction,we proposed a novel method to predict protein functions, called PreGO. PreGO is an algorithm based on an infinite mixture of hidden Markov models. Given an unannotated protein sequence, PreGO predicts the probability of existence of Gene Ontology terms. For time-varying network inference for gene expression data, we adopted a nonparametric Bayesian regression method to predict interactions between the genes. This method is expected to achieve more flexible regression capability in time-varying network. To obtain stronger robustness to noisy data, we employed the T-Process. The basic algorithm employed reversible jump Markov Chain Monte Carlo for inference of whole network structures. The method can handle (i) change point detection and (ii) network structure inference simultaneously.

我们提出了一种非参数贝叶斯模型，用于两个生物信息学应用：1）自动蛋白质功能预测和2）基因表达网络推断。为了实现蛋白质功能的自动预测，我们提出了一种新的蛋白质功能预测方法PreGO。PreGO是一种基于隐马尔可夫模型无限混合的算法。给定一个未注释的蛋白质序列，PreGO预测基因本体论术语存在的概率。对于基因表达数据的时变网络推断，我们采用非参数贝叶斯回归方法来预测基因之间的相互作用。该方法有望在时变网络中实现更灵活的回归能力。为了获得对噪声数据更强的鲁棒性，我们采用了T过程。基本算法采用可逆跳马尔可夫链蒙特卡罗推理整个网络结构。该方法可以同时处理（i）变点检测和（ii）网络结构推断。

项目成果

PreGO: A Protein Function Prediction Algorithm Based on an Infinite Mixture of Hidden Markov and Bayesian Network Models

PreGO：一种基于隐马尔可夫和贝叶斯网络模型无限混合的蛋白质功能预测算法

• 发表时间: 2013
• 作者: Takashi Kaburagi;Yukihiro Koizumi;Kousuke Oota;Takashi Matsumoto
• 通讯作者: Takashi Matsumoto

Protein Function Prediction Algorithm Based on Infinite State Hidden Markov Model and Bayesian Network Model

基于无限状态隐马尔可夫模型和贝叶斯网络模型的蛋白质功能预测算法

• 发表时间: 2012
• 作者: T. Kaburagi;Y. Koizumi;G. Kobayashi;T. Matsumoto
• 通讯作者: T. Matsumoto

Development of a Non-Contact Sensing Method for Scratching Activity Measurement

• DOI: 10.1109/jsen.2013.2264283
• 发表时间: 2013-09-01
• 期刊: IEEE SENSORS JOURNAL
• 影响因子: 4.3
• 作者: Kurihara, Yosuke;Kaburagi, Takashi;Watanabe, Kajiro
• 通讯作者: Watanabe, Kajiro

ノンパラメトリックベイジアンT過程アルゴリズムによる時間的構造変化を考慮した遺伝子発現ネットワーク推定

使用非参数贝叶斯 T 过程算法考虑时间结构变化的基因表达网络估计

• 发表时间: 2012
• 作者: Handa;H;宮下弘樹，鈴木知彦，中村拓磨，井田安俊，松本 隆，鏑木崇史
• 通讯作者: 宮下弘樹，鈴木知彦，中村拓磨，井田安俊，松本 隆，鏑木崇史

ダイナミック・ガウス過程遺伝子発現ネットワーク予測：MCMC実装

动态高斯过程基因表达网络预测：MCMC实现

• 发表时间: 2011
• 作者: 菊地貴彰;鈴木知彦;中田洋平;鏑木崇史;松本隆;君和田友美;和田圭司
• 通讯作者: 和田圭司