Inferência de redes regulatórias utilizando algoritmos de estimação de distribuição

Abstract

Inferência de redes de regulação gênica a partir de dados de expressão esparsos e na presença de ruído ainda é um desafio nos dias de hoje. Neste trabalho, foram utilizados dois Algoritmos de Estimação de Distribuição distintos para inferir uma Rede de Regulação Gênica. A fim de avaliá-los, os algortimos foram aplicados em três tipos de dados: (i) dados simulados a partir de uma distribuição Gaussiana multivariada, (ii) dados simulados a partir de um simulador realista, GeneNetWeaver e (iii) dados a partir de experimentos de citometria de fluxo. Os métodos de inferências em questão apresentam um desempenho comparável com algoritmos de inferência tradicionais em termos de precisão na reconstrução da rede.

Inference of Gene Regulatory Networks from sparse and noisy expression data is still a challenge nowadays. In this work two different Estimation of Distribuition Algorithms were used to infer Gene Regulatory Networks. In order to evaluate them, the algorithms were applied to three types of data: (i) data simulated from a multivariate Gaussian distribution, (ii) data simulated from a realistic simulator, GeneNetWeaver and (iii) data from flow cytometry experiments. The proposed inference method shows a performance comparable with traditional inference algorithms in terms of the network reconstruction accuracy.