Modelación de redes de regulación genética con redes neuronales recurrentes desde una perspectiva bayesiana.

Jímenez Peña, Edgar (2016) Modelación de redes de regulación genética con redes neuronales recurrentes desde una perspectiva bayesiana. Doctorado thesis, Universidad Autónoma de Nuevo León.

Vista previa

Texto 1080238066.pdf - Versión Aceptada Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (2MB) | Vista previa

Resumen

En el siguiente trabajo se desarrolló una metodología para la creación de modelos generales dinámicos de redes de regulación genética (GRN). El entendimiento de estas redes permitirá aumentar el conocimiento de procesos celulares fundamentales tales como ciclo celular, diferenciación celular, apoptosis, etc. En los últimos años ha aumentado la disponibilidad de series de tiempo de datos de expresión gen ética, lo cual permite el estudio de genomas y no solo de pares de genes o un conjunto reducido de ellos. Este conocimiento es de vital importancia para genetistas y biólogos debido a su rol en el metabolismo de un organismo. Sin embargo el comportamiento de estos datos presenta efectos no lineales que hacen difícil su estudio y por tanto las inferencias de las relaciones entre genes. La metodología desarrollada se basa en redes neuronales recurrentes en tiempo continuo, las cuales dependen de una suavización de los datos de las series de tiempo a modelar. Esta suavización permite estimar dinámicas de campo medio de las variables, por lo que la solución de las ecuaciones diferenciales se sustituye por un suavizado bayesiano, lo que lleva a un ahorro en el tiempo de cómputo para la estimación de los parámetros de la red. El método se probó en datos reales de regulación gen ética y tiene un mejor desempeño que otros formalismos publicados, medido a través del error cuadrado medio de los datos de expresión.

Actions (login required)

Ver elemento