新的动态统计模型随着时间推移遵循基因表达

卡内基梅隆大学的研究人员开发了一种新的动态统计模型，用于可视化网络中不断变化的模式，包括大脑发育期间的基因表达。

该模型发表在美国国家科学院院刊上，现在为研究人员提供了一种工具，可以在一个快照中及时观察静态网络，这非常有益，因为网络数据通常是动态的。网络数据的分析 - 或从大规模的角度研究关系 - 是一个新兴的统计和数据科学领域。

“对于任何具有动态组件的数据集，人们现在可以以强大的方式使用它来查找持续存在并随时间变化的社区，”迪斯特里克人文和社会科学学院UPMC统计与生命科学教授Kathryn Roeder说。。“这将有助于了解某些疾病和疾病如何发展。例如，我们知道某些基因是自闭症的原因，可以使用我们的模型让我们深入了解疾病在何种程度上开始发展。”

模型，通过特征向量平滑的持久性社区(PisCES)，纵向地结合一系列网络中的信息，以加强每个时期的推断。CMU团队使用PisCES跟踪恒河猴脑中从受孕到成年的神经基因表达，以找出在不同的发育阶段中哪些基因协同作用。

“我们的可视化方法结合了两种不同的现有工具：社区检测，这是一种流行的静态网络数据工具，以及sankey图，通常用于可视化信息的”流动“。我们的可视化将网络的参与者组织成社区亨氏信息系统与公共政策学院统计与信息系统助理教授David Choi表示，随着时间的推移逐渐发展，然后将不断变化的社区成员描述为社区之间的一系列流动。

他们的分析揭示了变化点的存在以及持续基因群落结构的时期，包括参与神经投射指导的基因的动态群落，其在胎儿中期到晚期非常活跃。这个特殊的社区包括许多与自闭症风险相关的基因。

“基本上我们的目标是为社区检测添加'平滑'以消除'噪音'，我们能够做到这一点，”Choi说。

尽管该团队通过可视化基因协同工作方式的变化模式来驾驭模型，但希望该方法可以应用于社交网络，物理中的动态扩散网络和其他关系情境。

“该模型非常灵活，我们已经开始将其与fMRI数据一起使用，以了解大脑区域如何相互连接和变化，”博士Fuchen Liu博士说。统计和数据科学系的学生。

开发一种新的动态统计模型以跟踪神经基因表达随着时间的推移是卡内基梅隆大学发生的许多大脑研究突破之一。CMU创建了一些最初的认知导师，帮助开发了获得Jeopardy的Watson，创立了一个突破性的神经计算博士课程，并且是人工智能和认知心理学的发源地。基于其在生物学，计算机科学，心理学，统计学和工程学方面的优势，CMU推出了BrainHub，这项计划的重点是大脑的结构和活动如何引起复杂的行为。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如有侵权行为，请第一时间联系我们修改或删除，多谢。