Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:

2024 | OriginalPaper | Buchkapitel

Exploiting Medical-Expert Knowledge Via a Novel Memetic Algorithm for the Inference of Gene Regulatory Networks

verfasst von : Adrián Segura-Ortiz, José García-Nieto, José F. Aldana-Montes

Erschienen in: Computational Science – ICCS 2024

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Das Kapitel geht auf die Herausforderungen ein, die mit der Schlussfolgerung von Gen-Regulierungsnetzwerken (Gen Regulation Networks, GRNs) verbunden sind, und stellt einen neuartigen memetischen Algorithmus vor, der medizinisches Expertenwissen einbezieht, um die Genauigkeit zu verbessern. Indem die vorgeschlagene Methode die Komplexität biologischer Systeme und die Beschränkungen empirischer Daten berücksichtigt, baut sie auf dem GENECI-Rahmenwerk auf und integriert eine zusätzliche lokale Suchphase, um die Nutzung bekannter genetischer Interaktionen zu maximieren. Experimente mit DREAM-Herausforderungen und dem IRMA-Hefe-Netzwerk zeigen statistisch signifikante Verbesserungen, was die Fähigkeit des Algorithmus unterstreicht, minimales Vorwissen effektiv zu nutzen. Diese Arbeit ist besonders relevant für das Verständnis komplexer biologischer Prozesse und Krankheiten auf molekularer Ebene.
KI-Generiert

Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Human Sex Recognition Based on Dimensionality and Uncertainty of Gait Motion Capture Data
Literatur
1.
Altay, G., Emmert-Streib, F.: Inferring the conservative causal core of gene regulatory networks. BMC Syst. Biol. 4(1), 1–13 (2010)CrossRef
2.
Aluru, M., Shrivastava, H., Chockalingam, S.P., Shivakumar, S., Aluru, S.: Engrain: a supervised ensemble learning method for recovery of large-scale gene regulatory networks. Bioinformatics 38(5), 1312–1319 (2022)CrossRef
3.
Baliarsingh, S.K., Muhammad, K., Bakshi, S.: Sara: a memetic algorithm for high-dimensional biomedical data. Appl. Soft Comput. 101, 107009 (2021)CrossRef
4.
Cantone, I., Marucci, L., et al.: A yeast synthetic network for in vivo assessment of reverse-engineering and modeling approaches. Cell 137(1), 172–181 (2009)CrossRef
5.
Correa, L., Borguesan, B., Farfan, C., Inostroza-Ponta, M., Dorn, M.: A memetic algorithm for 3D protein structure prediction problem. IEEE/ACM Trans. Comput. Biol. Bioinf. 15(3), 690–704 (2016)CrossRef
6.
Escorcia-Rodríguez, J.M., Gaytan-Nuñez, E., et al.: Improving gene regulatory network inference and assessment: the importance of using network structure. Front. Genet. 14, 1143382 (2023)CrossRef
7.
Faith, J.J., Hayete, B., Thaden, J.T., et al.: Large-scale mapping and validation of escherichia coli transcriptional regulation from a compendium of expression profiles. PLoS Biol. 5(1), e8 (2007)CrossRef
8.
Finkle, J.D., Wu, J., Bagheri, N.: Windowed granger causal inference strategy improves discovery of gene regulatory networks. Proc. Nat. Acad. Sci. 115, 2252–2257 (2018)CrossRef
9.
Fujii, C., Kuwahara, H., Yu, G., et al.: Learning gene regulatory networks from gene expression data using weighted consensus. Neurocomputing 220, 23–33 (2017)CrossRef
10.
Gan, Y., Hu, X., Zou, G., et al.: Inferring gene regulatory networks from single-cell transcriptomic data using bidirectional RNN. Front. Oncol. 12 (2022)
11.
García-Nieto, J., Nebro, A.J., Aldana-Montes, J.F.: Inference of gene regulatory networks with multi-objective cellular genetic algorithm. Comput. Biol. Chem. 80, 409–418 (2019)CrossRef
12.
Ghazikhani, A., Akbarzadeh, T., Monsefi, R.: Genetic regulatory network inference using recurrent neural networks trained by a multi agent system. In: 2011 1st International eConference on Computer and Knowledge Engineering (ICCKE) (2011)
13.
Gong, M., Peng, Z., Ma, L., Huang, J.: Global biological network alignment by using efficient memetic algorithm. IEEE/ACM Trans. Comput. Biol. Bioinf. 13(6), 1117–1129 (2015)CrossRef
14.
Han, P., Gopalakrishnan, C., Yu, H., Wang, E.: Gene regulatory network rewiring in the immune cells associated with cancer. Genes 8(11), 308 (2017)CrossRef
15.
Hillerton, T., et al.: Fast and accurate gene regulatory network inference by normalized least squares regression. Bioinformatics 38(8), 2263–2268 (2022)CrossRef
16.
Hurtado, S., Garcia-Nieto, J., Navas-Delgado, I., Nebro, A.J., Aldana-Montes, J.F.: Reconstruction of gene regulatory networks with multi-objective particle swarm optimisers. Appl. Intell. 51, 1972–1991 (2021)CrossRef
17.
Huynh-Thu, V.A., Irrthum, A., Wehenkel, L., Geurts, P.: Inferring regulatory networks from expression data using tree-based methods. PLoS ONE 5(9), e12776 (2010)CrossRef
18.
19.
Khojasteh, H., Khanteymoori, A., Olyaee, M.H.: EnGRNT: inference of gene regulatory networks using ensemble methods and topological feature extraction. Inform. Med. Unlocked 27, 100773 (2021)CrossRef
20.
Kizaki, N., et al.: The inference method of the gene regulatory network with a majority rule. Nonlinear Theory Appl. IEICE 6, 226–236 (2015)CrossRef
21.
de Lima Corrêa, L., Dorn, M.: A multi-population memetic algorithm for the 3-D protein structure prediction problem. Swarm Evol. Comput. 55, 100677 (2020)CrossRef
22.
Liu, L., et al.: Reconstructing gene regulatory networks via memetic algorithm and lasso based on recurrent neural networks. Soft. Comput. 24, 4205–4221 (2020)CrossRef
23.
Liu, W., et al.: Inferring gene regulatory networks using the improved Markov blanket discovery algorithm. Interdisc. Sci. Comput. Life Sci. 1–14 (2022)
24.
Marbach, D., Costello, J.C., Küffner, R., et al.: Wisdom of crowds for robust gene network inference. Nat. Methods 9(8), 796–804 (2012)CrossRef
25.
26.
Meyer, P., Saez-Rodriguez, J.: Advances in systems biology modeling: 10 years of crowdsourcing dream challenges. Cell Syst. 12(6), 636–653 (2021)CrossRef
27.
Moerman, T., et al.: GRNBoost2 and Arboreto: efficient and scalable inference of gene regulatory networks. Bioinformatics 35(12), 2159–2161 (2018)CrossRef
28.
Narasimhan, S., Rengaswamy, R., Vadigepalli, R.: Structural properties of gene regulatory networks: definitions and connections. IEEE/ACM Trans. Comput. Biol. Bioinf. 6(1), 158–170 (2009)CrossRef
29.
Nazarieh, M., Wiese, A., Will, T., Hamed, M., Helms, V.: Identification of key player genes in gene regulatory networks. BMC Syst. Biol. 10, 1–12 (2016)CrossRef
30.
Parikshak, N.N., et al.: Systems biology and gene networks in neurodevelopmental and neurodegenerative disorders. Nat. Rev. Genet. 16(8), 441–458 (2015)CrossRef
31.
Peignier, S., Sorin, B., Calevro, F.: Ensemble learning based gene regulatory network inference. In: 2021 IEEE 33rd International Conference on Tools with Artificial Intelligence (ICTAI), pp. 113–120 (2021)
32.
Schmitt, P., et al.: GReNaDIne: a data-driven python library to infer gene regulatory networks from gene expression data. Genes 14(2), 269 (2023)CrossRef
33.
Segura-Ortiz, A., García-Nieto, J., et al.: GENECI: a novel evolutionary machine learning consensus-based approach for the inference of gene regulatory networks. Comput. Biol. Med. 155, 106653 (2023)CrossRef
34.
Skok Gibbs, C., et al.: High-performance single-cell gene regulatory network inference at scale: the inferelator 3.0. Bioinformatics 38(9), 2519–2528 (2022)
35.
Watanabe, Y., Seno, S., Takenaka, Y., Matsuda, H.: An estimation method for inference of gene regulatory network using Bayesian network with uniting of partial problems. BMC Genom. 13, S12 (2012)CrossRef
36.
Wijst, M.G.V.D., Vries, D.H.D., Brugge, H., Westra, H.J., Franke, L.: An integrative approach for building personalized gene regulatory networks for precision medicine. Genome Med. 10(1), 1–15 (2018)
37.
Wu, J., Zhao, X., Lin, Z., Shao, Z.: Large scale gene regulatory network inference with a multi-level strategy. Mol. BioSyst. 12, 588–597 (2016)CrossRef
38.
Yang, B., Xu, Y.: Reconstructing gene regulation network based on conditional mutual information. In: Proceedings of the 2017 International Conference on Mechanical, Electronic, Control and Automation Engineering (MECAE 2017) (2017)
39.
Yasuki, H., Kikuchi, M., Kurokawa, H.: Inferring method of the gene regulatory networks using neural networks adopting a majority rule. In: The 2011 International Joint Conference on Neural Networks (2011)
40.
Yin, F., Zhou, J., Xie, W., Zhu, Z.: Inferring sparse genetic regulatory networks based on maximum-entropy probability model and multi-objective memetic algorithm. Memetic Comput. 15(1), 117–137 (2023)CrossRef
41.
Zarayeneh, N., et al.: Integration of multi-omics data for integrative gene regulatory network inference. Int. J. Data Min. Bioinform. 18, 223 (2017)CrossRef
42.
Zhao, M., He, W., Tang, J., Zou, Q., Guo, F.: A hybrid deep learning framework for gene regulatory network inference from single-cell transcriptomic data. Briefings Bioinformat. 23(2), bbab568 (2022)
Metadaten
Titel
Exploiting Medical-Expert Knowledge Via a Novel Memetic Algorithm for the Inference of Gene Regulatory Networks
verfasst von
Adrián Segura-Ortiz
José García-Nieto
José F. Aldana-Montes
Copyright-Jahr
2024
Buch
Computational Science – ICCS 2024

Print ISBN: 978-3-031-63771-1

Electronic ISBN: 978-3-031-63772-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-63772-8_1

Premium Partner

    Bildnachweise