基于貝葉斯網(wǎng)絡方法的基因表達譜數(shù)據(jù)研究

張燕 胡剛

摘 要：貝葉斯網(wǎng)絡方法將概率理論知識與圖論結合，其有圖形化表示、因果關系清晰以及不確定性推理等優(yōu)點， 將貝葉斯網(wǎng)絡引入到高通量基因表達譜數(shù)據(jù)中并進行概率推理，從概率角度描述了各基因間的依賴關系，從而闡明了整個基因組之間的調(diào)控網(wǎng)絡。貝葉斯網(wǎng)絡模型本身具有強大的推理機制和解釋功能，通過測定DNA序列，分析基因表達譜數(shù)據(jù)，完成序列分析、結構預測及進化分析等，實現(xiàn)了貝葉斯網(wǎng)絡在生物信息學領域的應用。

關鍵詞：貝葉斯網(wǎng)絡;基因;生物信息學

一、引言

生物信息學是隨著人類基因組計劃的啟動而興起的一門新的交叉學科，主要涉及生物學、數(shù)學及計算機科學等。它的研究對象是分子生物學數(shù)據(jù)庫，通過使用多種學科理論及工具，對海量的原始序列數(shù)據(jù)進行收集、存儲、加工、處理、解釋和傳播并從中發(fā)現(xiàn)新的規(guī)律而獲取生物學新知識，進而揭示“基因組信息結構的復雜性及遺傳語言的根本規(guī)律”[1]。

隨著測序技術的發(fā)展，測序成本不斷降低，使得高通量測序逐漸成為生命科學研究的常規(guī)實驗。然而測序產(chǎn)生的高通量基因表達譜數(shù)據(jù)正以爆炸式的速度增長，研究者們試圖從對這些數(shù)據(jù)的分析中得到傳統(tǒng)生物學方法無法得到或難以得到的信息。隨著基因表達譜數(shù)據(jù)量的增大，生物計算對于運算速度、數(shù)據(jù)存儲、計算成本等方面的要求也越來越高。而貝葉斯網(wǎng)絡[2]解決了這一問題。貝葉斯網(wǎng)絡方法將概率理論知識與圖論結合，其有圖形化表示、因果關系清晰以及不確定性推理等優(yōu)點，很好地滿足了這些要求。

高通量基因表達譜數(shù)據(jù)由于驚人的增長速度而形成的對存儲能力和計算能力超常規(guī)的增長要求，使得生物信息學領域區(qū)別于其他行業(yè)，對技術有更高要求，也使得越來越多的數(shù)學家、生物學家和計算機學家認識到準確處理生物信息的必要性和迫切性。

將貝葉斯網(wǎng)絡引入到高通量基因表達譜數(shù)據(jù)中并進行概率推理，從概率角度描述了各基因間的依賴關系，從而闡明了整個基因組之間的調(diào)控網(wǎng)絡。同時貝葉斯網(wǎng)絡模型本身具有強大的推理機制和解釋功能[3]，通過測定DNA序列，分析基因表達譜數(shù)據(jù)，完成序列分析、結構預測及進化分析等，實現(xiàn)了貝葉斯網(wǎng)絡在生物信息學領域的應用。

基因表達譜數(shù)據(jù)是“天然”的大數(shù)據(jù)，計算分析的價值會超過測序本身，與貝葉斯網(wǎng)絡和大數(shù)據(jù)技術的結合是大勢所趨。作為國內(nèi)測序巨頭，華大基因股份有限公司CEO尹燁說過，“基因測序為生物技術帶來的改變，為生命創(chuàng)造的價值，值得我們?yōu)橹Α薄?/p>

二、國內(nèi)外研究現(xiàn)狀分析

生物信息學概念的萌芽最早起源于1956年在美國田納西州蓋特林堡舉辦的“生物學中的信息理論研討會”上，該會議探討了生物學和信息理論研究的結合問題。1977年Sanger通過他發(fā)明的DNA序列快速測定法確定了第一個完整生物的DNA順序。隨著DNA序列數(shù)據(jù)的日益增長，如何有效地存儲加工分析利用日益增多的DNA序列數(shù)據(jù)成了迫切需要解決的問題。

近幾年，一系列數(shù)據(jù)庫的誕生和互聯(lián)網(wǎng)的推廣應用使得存儲大規(guī)模序列數(shù)據(jù)的物質(zhì)條件基本成熟， 對于大規(guī)模數(shù)據(jù)的服務和利用也取得了實際經(jīng)驗。隨著人類基因組計劃的順利進行，基因組研究的重心已經(jīng)轉移到了功能基因組學， 而基因表達譜數(shù)據(jù)為此提供了最好的技術平臺，利用基因表達譜數(shù)據(jù)進行的表達水平檢測可自動、快速、高效地檢測成千上萬個基因的表達情況。通過檢測基因表達譜數(shù)據(jù)的表達水平， 可以進行腫瘤診斷、類型預測、基因調(diào)控網(wǎng)絡等研究。

隨著微陣列技術的發(fā)展和微陣列實驗數(shù)據(jù)的不斷積累，研究者們轉向通過對基因間相互關系的研究，重構基因調(diào)控網(wǎng)絡， 進一步找到是哪些基因的共同或相互作用導致了這一個基因的表達異常，從而探索疾病發(fā)生、發(fā)展的根源和機制。

迄今為止，研究基因網(wǎng)絡的模型很多，也有不同的分類方法：離散網(wǎng)絡模型（如Boolean network model）和連續(xù)網(wǎng)絡模型（如Corelation metric construction， CMC），確定型網(wǎng)絡模型和隨機網(wǎng)絡模型，定量網(wǎng)絡模型和定性網(wǎng)絡模型等[4]。

目前國外許多學者和研究結構都對貝葉斯網(wǎng)絡進行了深入的研究主要集中在以下幾個方面：基于貝葉斯網(wǎng)絡的推理;基于貝葉斯網(wǎng)絡的學習;基于貝葉斯網(wǎng)絡的應用;數(shù)據(jù)挖掘中貝葉斯網(wǎng)絡的建造。

目前，隨著高通量測序技術的快速發(fā)展，生物信息學進入組學時高通量基因表達譜數(shù)據(jù)海量生物數(shù)據(jù)的存儲和分析等問題亟待需要利用貝葉斯網(wǎng)絡來解決。

貝葉斯理論起源于Reverend Thomas Bayes 發(fā)表的論文“關于幾率性問題求解的評論”。20世紀50年代， 以Robbins為代表提出了將經(jīng)驗貝葉斯方法和經(jīng)典方法相結合， 這引起統(tǒng)計界的廣泛關注。1958年英國歷史最悠久的統(tǒng)計學雜志Biometrika又一次全文刊登了Bayes的論文。之后，Pearl等提出了貝葉斯網(wǎng)絡，并且將貝葉斯網(wǎng)絡應用到人工智能方面進行概率推理，在此基礎上并將貝葉斯網(wǎng)絡成功應用于專家系統(tǒng)等領域， 使得貝葉斯網(wǎng)絡成為不確定專家知識和推理的重要方法之一，這是十多年來在這些領域的一個研究熱點。近幾年，貝葉斯方法成為數(shù)據(jù)挖掘和機器學習、用戶智能交互、信息重獲、醫(yī)療診斷等的一個重要研究方向。

貝葉斯網(wǎng)絡的發(fā)展經(jīng)歷了以下幾個階段：首先，建立了貝葉斯網(wǎng)絡的基礎理論知識體系和對不確定性推理的研究; 其次，研究了如何根據(jù)數(shù)據(jù)以及專家知識建立貝葉斯網(wǎng)絡的問題，并研究出許多經(jīng)典的貝葉斯網(wǎng)絡學習算法; 最后，人們將許多領域的實際問題引入到貝葉斯網(wǎng)絡中。目前，貝葉斯網(wǎng)絡已經(jīng)被廣泛地用于解決許多領域的大量實際問題中，并且取得了較好的效果。

三、結論

貝葉斯網(wǎng)絡模型本身具有強大的推理機制和解釋功能，通過測定DNA序列，分析基因表達譜數(shù)據(jù)，完成序列分析、結構預測及進化分析等，實現(xiàn)了貝葉斯網(wǎng)絡在生物信息學領域的應用。

參考文獻：

[1] 陳竺， 基因組科學與人類疾病 [M]， 北京： 科學出版社， 2000.

[2] Gao Meihan， Cong Haibo， Li Chuancheng， et al. Comparison of Efficacy and Safety of Complementary and Alternative Therapies for scapulohumeral periarthritis： A protocol for Bayesian network meta-analysis[J]. Medicine， 100（18）： 57--69， 2021.

[3] Chen Cheng， Chen Qiuwen， Li Gang， et al. A novel multi-source data fusion method based on Bayesian inference for accurate estimation of chlorophyll-a concentration over eutrophic lakes[J]. Environmental Modelling & Software， 141： 105--117， 2021.

[4] 王翼飛， 史定華， 生物信息學[M]， 化學工業(yè)出版社， 260--262， 2006.