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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Machine Learning: Multi-site Evidence-Based Best Practice Discovery Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Inference of Gene Regulatory Network Based on Radial Basis Function Neural Network

verfasst von : Sanrong Liu, Bin Yang, Haifeng Wang

Erschienen in: Machine Learning, Optimization, and Big Data

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Inference of gene regulatory network (GRN) from gene expression data is still a challenging work. The supervised approaches perform better than unsupervised approaches. In this paper, we develop a new supervised approach based on radial basis function (RBF) neural network for inference of gene regulatory network. A new hybrid evolutionary method based on dissipative particle swarm optimization (DPSO) and firefly algorithm (FA) is proposed to optimize the parameters of RBF. The data from E.coli network is used to test our method and results reveal that our method performs than classical approaches.

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
Vorheriges Kapitel Big Data Analytics in a Public General Hospital
Nächstes Kapitel Establishment of Optimal Control Strategy of Building-Integrated Photovoltaic Blind Slat Angle by Considering Interior Illuminance and Electricity Generation
Literatur
1.
Ellwanger, D.C., Leonhardt, J.F., Mewes, H.W.: Large-scale modeling of condition-specific gene regulatory networks by information integration and inference. Nucleic Acids Res. 42(21), e166 (2014)CrossRef
2.
Vera-Licona, P., Jarrah, A., Garcia-Puente, L.D., McGee, J., Laubenbacher, R.: An algebra-based method for inferring gene regulatory networks. BMC Syst. Biol. 8, 37 (2014)CrossRef
3.
Xie, Y., Wang, R., Zhu, J.: Construction of breast cancer gene regulatory networks and drug target optimization. Arch. Gynecol. Obstet. 290(4), 749–755 (2014)MathSciNetCrossRef
4.
Penfold, C.A., Millar, J.B., Wild, D.L.: Inferring orthologous gene regulatory networks using interspecies data fusion. Bioinformatics 31(12), i97–i105 (2015)CrossRef
5.
Baur, B., Bozdag, S.: A canonical correlation analysis-based dynamic bayesian network prior to infer gene regulatory networks from multiple types of biological data. J. Comput. Biol. 22(4), 289–299 (2015)CrossRef
6.
Yang, M., Li, R., Chu, T.: Construction of a Boolean model of gene and protein regulatory network with memory. Neural Netw. 52, 18–24 (2014)CrossRefMATH
7.
Adabor, E.S., Acquaah-Mensah, G.K., Oduro, F.T.: SAGA: a hybrid search algorithm for Bayesian Network structure learning of transcriptional regulatory networks. J. Biomed. Inform. 53, 27–35 (2015)CrossRef
8.
Sun, M., Cheng, X., Socolar, J.E.: Causal structure of oscillations in gene regulatory networks: Boolean analysis of ordinary differential equation attractors. Chaos 23(2), 025104 (2013)MathSciNetCrossRefMATH
9.
Wang, J., Chen, B., Wang, Y., Wang, N., Garbey, M., Tran-Son-Tay, R., Berceli, S.A., Wu, R.: Reconstructing regulatory networks from the dynamic plasticity of gene expression by mutual information. Nucleic Acids Res. 41(8), e97 (2013)CrossRef
10.
Maetschke, S.R., Madhamshettiwar, P.B., Davis, M.J., Ragan, M.A.: Supervised, semi-supervised and unsupervised inference of gene regulatory networks. Brief Bioinform. 15(2), 195–211 (2014)CrossRef
11.
Cerulo, L., Elkan, C., Ceccarelli, M.: Learning gene regulatory networks from only positive and unlabeled data. BMC Bioinform. 11, 228 (2010)CrossRef
12.
Mordelet, F., Vert, J.P.: SIRENE: supervised inference of regulatory networks. Bioinformatics 24(16), i76–i82 (2008)CrossRef
13.
Gillani, Z., Akash, M.S., Rahaman, M.D., Chen, M.: CompareSVM: supervised, Support Vector Machine (SVM) inference of gene regularity networks. BMC Bioinform. 15, 395 (2014)CrossRef
14.
Taher, N., Ehsan, A., Jabbari, M.: A new hybrid evolutionary algorithm based on new fuzzy adaptive PSO and NM algorithms for distribution feeder reconfiguration. Energy Convers. Manage. 54(1), 7–16 (2011)
15.
Kuan-Cheng, L., Yi-Hsiu, H.: Classification of medical datasets using SVMs with hybrid evolutionary algorithms based on endocrine-based particle swarm optimization and artificial bee colony algorithms. J. Med. Syst. 39, 119 (2015)CrossRef
16.
Reza, M., Fatemi, G., Farzad, Z.: A new hybrid evolutionary based RBF networks method for forecasting time series: a case study of forecasting emergency supply demand time series. Eng. Appl. Artif. Intell. 36, 204–214 (2014)CrossRef
17.
Jia, W., Zhao, D., Shen, T., Su, C., Hu, C., Zhao, Y.: A new optimized GA-RBF neural network algorithm. Comput. Intell. Neurosci. 2014, 6 (2014). 982045
18.
Xie, F.X., Zhang, W.J., Yang, Z.L.: A dissipative particle swarm optimization. In: Congress on Evolutionary Computation (CEC), pp. 1456–1461 (2002)
19.
20.
Butte, A.J., Tamayo, P., Slonim, D., Golub, T.R., Kohane, I.S.: Discovering functional relationships between RNA expression and chemotherapeutic susceptibility using relevance networks. Proc. Natl. Acad. Sci. U.S.A. 97(22), 12182–12186 (2000)CrossRef
Metadaten
Titel
Inference of Gene Regulatory Network Based on Radial Basis Function Neural Network
verfasst von
Sanrong Liu
Bin Yang
Haifeng Wang
Copyright-Jahr
2016
Buch
Machine Learning, Optimization, and Big Data

Print ISBN: 978-3-319-51468-0

Electronic ISBN: 978-3-319-51469-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-51469-7_39

Premium Partner

    Bildnachweise