时间序列互作网络及在宏基因组中的应用

发布时间：2020-04-07 08:18

【摘要】：在生物信息学的研究中,疾病和健康个体在微生物方面的差异对探讨疾病机理和优化治疗方案有重要意义。在数学角度来看,这主要表现为微生物丰度的差异和微生物之间相互作用强度的差异。本论文基于11组不同处理的小鼠肠道内微生物丰度的时间序列数据,运用概率论、微分方程和概率图模型,来研究各种微生物丰度的置信区间和它们在各种中药影响下的显著性变化趋势;同时,也应用动态贝叶斯网络等算法来发现,在中药作用之下哪些微生物之间的互作得以加强,哪些互作得以削弱,并分析其可能的原因。详细来说,第一,本文以经典统计学中正态分布总体均值的置信区间相关知识为基础,提出了一套在不同实验条件下,研究实验对象是否发生显著性变化的分析方法,并依此给出了在中药作用的条件下,微生物丰度变化的统计显著性。第二,为了比较各种网络构建方法(fastLSA、SPIEC-EASI、CoNet、静态贝叶斯网络和动态贝叶斯网络)的优劣(Sensitivity、Specificity、Precision、F1 score、Accuracy、Matthews Correlation Coefficient),我们还专门构建了微生物丰度时间序列的模拟算法和程序,以Scale-free网络为模板,利用广义Lotka-Volterra方程模拟产生了2000组包含70个微生物和20个时间点的微生物时间序列丰度数据。利用这些数据来检验网络构建算法的效果,我们发现动态贝叶斯网络算法具有突出的Specificity、Sensitivity和Accuracy。第三,本文编写了动态贝叶斯网络构建软件,对11组小鼠肠道微生物时间序列数据分别建网;并根据互信息的大小,发现了在不同药物作用下,关联性显著变化的重要微生物的节点对;最后利用数学和化学中的顺连和分连的思想,基于KEGG数据库和中药有效成分,给出了关联性存在差异的可能原因。
【图文】：

10图2-1 置信区间分析结果图图 2-1 的下图展示了每种微生物的置信区间结果（只展示区间长度大于 0.1 的置信区间结果），上图的热图每一行代表一种中药，每一列代表一种微生物，灰色方格代表对应中药组“处理组”的样本点均值（以下称均值）在“对照组”样本点估计的置信区间（以下称置信区间）之内，，红色方格代表均值落在置信区间的左侧，黑色方格代表均值落在置信区间的右侧。表 2-5 展示了丰度显著增加的那些微生物，并且标明了是在哪种中药作用下增加的，同时也给出了增加显著性的 p 值，表 2-6 展示了丰度显著减少的那些微生物，并且标明了是在哪种中药作用下减少的，同时给出了减少显著性的 p 值

3.5 网络构建推理算法比较结果基于模拟生成的2000组微生物时间序列丰度数据，我们比较了静态贝叶斯网络、动态贝叶斯网络，fastLSA，SPIEC-EASI 和 CoNet 的优劣，看看它们能否正确各各模拟微生物之间的相互作用关系，也就是能否正确各各广义 Lotka-Volterra 方程中的系数矩阵相对应位置是 0 还是 1。也即将各各两个物种之间是否有相互作用的问题转化成了一个二分类的问题。对于每一种算法，我们都计算了它们的 Sensitivity,Specificity, Precisicion, F1 score, Accuracy 和 MCC，具体结果如图 4-1 所示。动态贝叶斯网络算法具有突出的 Specificity、Sensitivity 和 Accuracy。此外，贝叶斯算法的F1 score 和 MCC 也与其他算法之间也存在可比性。
【学位授予单位】：河北科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：Q811.4

【相似文献】

相关期刊论文 前10条

1 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期

2 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期

3 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期

4 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

5 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

6 王嵬;;王嵬作品[J];当代油画;2017年07期

7 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

8 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

9 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

10 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 刘峰;毛海波;孙雪梅;王雨;宋立华;费韬;;基于时间序列的交流特高压变电站GIS六氟化硫压力异常分析[A];浙江省电力学会2018年度优秀论文集[C];2018年

3 张可;李媛;柴毅;黄磊;;基于分段趋势的符号化时间序列聚类表示[A];第37届中国控制会议论文集（D）[C];2018年

4 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集（二十九）——专题57：电磁地球物理学研究及其应用[C];2017年

5 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

6 吴丽娜;黄领梅;沈冰;吕继强;;黄河上游降水时间序列混沌特性识别与预测年限分析[A];水系统与水资源可持续管理——第七届中国水论坛论文集[C];2009年

7 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集（上）[C];1989年

8 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年

9 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年

10 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

相关重要报纸文章 前10条

1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年

2 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年

4 ;《时间序列与金融数据分析》[N];中国信息报;2004年

5 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年

8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年

9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年

10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014年

相关博士学位论文 前10条

1 康峻;基于时间序列遥感数据的植被精细分类与覆盖度反演研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

2 林蕾;基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

3 丁红;柳江径流分析与预测研究[D];武汉理工大学;2016年

4 马俊;GPS坐标时间序列严密三维噪声模型建立方法[D];武汉大学;2018年

5 周超;集成时间序列InSAR技术的滑坡早期识别与预测研究[D];中国地质大学;2018年

6 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

7 魏永强;煤矿瓦斯监测数据插值与预测研究[D];中国矿业大学(北京);2015年

8 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

9 鲁韵帆;随机交互金融模型的构建及金融时间序列的统计分析[D];北京交通大学;2018年

10 郭珩;复杂网络在非线性时间序列分析中的应用[D];华东师范大学;2018年

相关硕士学位论文 前10条

1 吴亚彬;基于情感时间序列的P2P网贷企业舆情态势研判技术研究与实现[D];北京邮电大学;2019年

2 原媛;量化交易中数据分析技术的研究与实现[D];北京邮电大学;2019年

3 宋骏;基于时间序列的UGC数量与质量预测技术研究[D];北京邮电大学;2019年

4 王晶;多源时间序列数据的建模分析与预测[D];北京邮电大学;2019年

5 胡姣姣;基于深度学习的飞行器遥测时间序列数据异常检测与预测方法研究[D];西安理工大学;2019年

6 白晓刚;时间序列互作网络及在宏基因组中的应用[D];河北科技大学;2019年

7 孙铁凝;回声状态网络优化及其应用研究[D];广西师范大学;2019年

8 韩如愿;两种基于数据驱动的库存预测方法研究[D];厦门大学;2017年

9 曹西娟;模糊时间序列在钻井风险概率中的预测及应用[D];西南石油大学;2018年

10 王子一;基于特征提取的时间序列分类方法的研究[D];南京大学;2019年

本文编号：2617673