Identifying gene interactions for time series microarray data using dynamic Bayesian networks and external biological knowledge

Abstract

DNA hybridlenme teknolojisi sayesinde DNA?yı ölçülebilir değerlere dönüştürülüpgenlerin sinyal değerlerini elde edebilmekteyiz. Bu sinyal değerleri kullanılarak gen-gen,protein-gen ve protein-protein arasındaki etkileşimler çözülmeye çalışılmak, günümüzbiyolojisinde önem kazanmaktadır. Bu tezde bu problemi Bayes Ağları (BA) kullanarak çözebilecek bir yöntem takip ettik. BA değişkenler arasındaki şartlı bağımsı-zlıkları kavrayabilen olasılık dağılımlarının modellenmesidir. BA ve benzeri modellerolasılıksal olayları çok iyi açıklayabildikleri için gözlemsel verilerden öğrenme yapılırkentercih edilirler. Veri gürültüye sahip olsa bile kullanabiliriz. BA modeli aynı zamandabazı dezavantajlara da sahiptir. BA modeli sadece değişmeyen veriler için kullanılabilir ön bilgi gerektirir ve sadece döngü içermeyen yollar içerdiği için sınırlıdır. Bu gibikısıtlamaların üstesinden gelebilmek için Dinamik Bayes Ağları geliştirilmiştir.

DNA hybridization arrays measure the expression levels for thousands of genes.These measurements provide us with a ?snapshot? of transcription levels in the cell.A major challenge in computational biology is to identify the gene-protein, gene-gene,and protein-protein interactions using such measurements, as well as some biologicalfeatures of cellular systems. In our study we aimed at building up our framework onthe use of Bayesian networks. A Bayesian network is a graph-based model of joint multivariate probability distributions that captures properties of conditional independencebetween variables. Such models are deemed attractive for their ability to describecomplex stochastic processes. They also provide a clear methodology for learning fromobservations, even for noisy ones. However, Bayesian Networks work only for stationary data, require prior information in model selection, and applies to acyclic directedgraphs. Dynamic Bayesian network (DBN) is an improved model to overcome thecyclicity and stationary limitations.