Deterministic modeling and inference of biochemical networks

Abstract

Biyolojik ağların matematiksel tanımlaması, başlıca, stokastik ve deterministik modellerle yapılabilir. Bunlardan ilki, sistem hakkında daha çok bilgi veriyor olmasına rağmen, çok detaylı ölçümler gerektirmektedir. Öte yandan, ikincisi, nispeten daha az bilgi verir fakat verilerinin toplanması stokastikte olduğundan daha kolaydır. Dolayısıyla, daha çok tercih edilen bir modelleme yaklaşımıdır. Belirtilen avantajından ötürü, biz bu çalışmada, biyolojik sistemlerin deterministik modellemesini uygulamaktayız. Birçok alternatif arasından Gaussian grafiksel modelini (GGM) kullanmaktayız ve performansını, GGM'ye bir alternatif yaklaşım olarak önerdiğimiz rasgele orman algoritmasına göre değerlendirmekteyiz. Model parametrelerini, diğer bir deyişle ağların yapılarını, tahmin etmekteyiz ve sonrasında bulguların doğruluklarına göre değerlendirmekteyiz. Son olarak, çalışmayı, verinin tanımında kopulaları kullanarak genişletmekteyiz ve etkileri değerlendirmek için aynı modelleme yaklaşımlarını uygulamaktayız.

The mathematical description of biological networks can be performed mainly by stochastic and deterministic models. The former gives more information about the system, whereas, it needs very detailed measurements. On the other hand, the latter is relatively less informative, but, the collection of their data is easier than the stochastic ones, rendering it a more preferable modeling approach. In this study, we implement the deterministic modeling of biological systems due to the underlying advantage. Among many alternatives, we use the Gaussian graphical model (GGM) and evaluate its performance with respect to the random forest algorithm, which we suggest as an alternative approach of GGM. We estimate the model parameters, i.e., the structure of the networks, and then assess their findings based on their accuracies. Finally, we extend the study by using copulas in the description of data and apply the same modeling approaches to assess their effects.