Learning Latent Dynamic Bayesian Networks from High Dimensional Intervention Effects and Applications in Systems Biology
Bioinformatics and Theoretical Biology
Final Report Abstract
Viele Prozesse der Biologie und Biomedizin sind dynamischer Natur, lassen sich jedoch nur indirekt beobachten. Beispiele sind intrazelluläre Signalkaskaden und Krankheitsmechanismen. Zur mathematischen Beschreibung solcher nur indirekt beobachtbaren dynamischen Prozesse hat sich seit langem das abstrakte Konzept der state-observation Modelle etabliert. Das Ziel unseres Projektes bestand darin, im Rahmen dieses abstrakten Konzeptes einen konkreten Algorithmus zur Schätzung von Interaktionen / Netzwerken zwischen nicht direkt beobachtbaren Zustandsvariablen eines dynamischen Systems aus beobachteten, hochdimensionalen Interventionseffekten zu entwickeln. Dabei sollte insbesondere die Verknüpfung von beobachteten Variablen zu Zustandsvariablen als nicht bekannt angesehen werden. Die Entwicklung eines solchen Algorithmus war nach anfänglichen Schwierigkeiten erfolgreich. Unser Lernalgorithmus wurde umfangreich in verschiedenen Simulationen getestet und anschließend erfolgreich auf verschiedene systembiologische Daten angewandt. Dabei konnte gezeigt werden, dass biologisch plausible Ergebnisse erzielt werden können. Unser Algorithmus hat potentiell Anwendungen über die Systembiologie hinaus in anderen Wissenschaftsgebieten, in denen dynamische Systeme und indirekte und hochdimensionale Beobachtungen eine Rolle spielen, z.B. Chemie, Physik, Ingenieurswesen. Ebenfalls ist eine Weiterentwicklung des bestehenden Ansatzes in Richtung der Modellierung von longitudinalen klinischen Patientendaten denkbar.
