Because researchers in systems biol

Because researchers in systems biology have access to
sophisticated experimental technologies capable of gathering large
amounts of data on genetic processes, the most appropriate tools
that will contribute to the present study are of computational nature.
More specifically, one way to represent how genes interact with
each other is by relying on the inferential aspects embedded within
the GRN framework [2]. Concentration is made on Bayesian
networks (BNs) as graphical model for probabilistic relationships
among a set of variables [3]. More recently, researchers have
developed methods for learning BNs from biological data and
precisely for GRN estimation [4]. Despite the fact that the
techniques that have been developed are recent and still evolving,
they have been shown to be remarkably effective for some dataanalysis problems [5]. This is so because BNs can readily handle
incomplete data sets while learning about causal relationships.
Moreover, when used in conjunction with Bayesian statistical
techniques, BNs also facilitate the combination of domain
knowledge and data. Additionally, Bayesian methods, in
conjunction with BNs and other types of models, offer an efficient
and principled approach for avoiding the overfitting of data.
However, when using a BN, the GRN estimation is hard for largescale networks because the search space grows exponentially with
the number of genes. In [6], the authors propose a novel method to
estimate gene regulatory networks based on BNs. We improve the
method by reducing its time complexity via an alternative search
strategy, namely a depth-first search (DFS) instead of breadth-first
search (BFS) strategy.

ผลลัพธ์ (ไทย) 1:

เนื่องจากนักวิจัยชีววิทยาระบบสามารถเข้าถึงทดลองเทคโนโลยีทันสมัยสามารถรวบรวมขนาดใหญ่จำนวนของข้อมูลในกระบวนการทางพันธุกรรม เครื่องมือที่เหมาะสมที่จะนำไปสู่ปัจจุบันศึกษามี computational ธรรมชาติโดยเฉพาะอย่างยิ่ง วิธีเดียวที่จะแสดงถึงวิธีการที่ยีนที่โต้ตอบกับกันคือการพึ่งพาด้านครับที่ฝังอยู่ภายในรหัสกรอบ [2] ทำสมาธิในทฤษฎีเครือข่าย (บีเอ็นเอสอุตสาหกรรม) เป็นแบบกราฟิกสำหรับความสัมพันธ์น่าจะระหว่างชุดของตัวแปร [3] เมื่อเร็ว ๆ นี้ นักวิจัยได้พัฒนาวิธีการเรียนรู้บีเอ็นเอสอุตสาหกรรมจากข้อมูลทางชีวภาพ และแม่นยำสำหรับรหัสประเมิน [4] ทั้ง ๆ ที่การเป็นเทคนิคที่ได้รับการพัฒนาล่าสุด และยังคง พัฒนาพวกเขาได้รับการแสดงจะมีประสิทธิภาพอย่างน่าทึ่งสำหรับปัญหาบางอย่าง dataanalysis [5] เป็นเช่นนี้ เพราะบีเอ็นเอสอุตสาหกรรมสามารถจัดการได้อย่างง่ายดายชุดข้อมูลที่ไม่สมบูรณ์ในขณะที่การเรียนรู้เกี่ยวกับความสัมพันธ์เชิงสาเหตุนอกจากนี้ เมื่อใช้ร่วมกับทฤษฎีทางสถิติเทคนิค บีเอ็นเอสอุตสาหกรรมยังช่วยให้การรวมกันของโดเมนความรู้และข้อมูล นอกจากนี้ ทฤษฎีวิธี ในร่วมกับบีเอ็นเอสอุตสาหกรรมและรุ่น ชนิดอื่น ๆ ให้มีประสิทธิภาพและวิธีการหลักสำหรับการหลีกเลี่ยง overfitting ข้อมูลอย่างไรก็ตาม เมื่อใช้เป็นพันล้าน การประเมินรหัสยากสำหรับเครือข่าย largescale เนื่องจากพื้นที่การค้นหาเติบโตชี้แจงด้วยจำนวนยีน ใน [6], ผู้เขียนเสนอวิธีการใหม่ในการประเมินยีนควบคุมเครือข่ายบนบีเอ็นเอสอุตสาหกรรม เราปรับปรุงการวิธีการลดความซับซ้อนของเวลาผ่านทางการค้นหาทางเลือกกลยุทธ์ คือความลึกค้นหา (DFS) แทนแนวกว้างค้นหากลยุทธ์ (BFS)

ผลลัพธ์ (ไทย) 2:

เพราะนักวิจัยชีววิทยาระบบมีการเข้าถึง
เทคโนโลยีการทดลองที่มีความซับซ้อนความสามารถในการชุมนุมใหญ่
ปริมาณของข้อมูลเกี่ยวกับกระบวนการทางพันธุกรรมเครื่องมือที่เหมาะสมที่สุด
ที่จะนำไปสู่การศึกษาปัจจุบันมีลักษณะการคำนวณ.
โดยเฉพาะอย่างยิ่งวิธีหนึ่งที่จะแสดงวิธีการที่ยีนโต้ตอบกับ
แต่ละ อื่น ๆ โดยอาศัยด้านอนุมานฝังอยู่ภายใน
กรอบ GRN [2] ความเข้มข้นจะทำบนคชกรรม
เครือข่าย (BNS) เป็นรูปแบบกราฟิกสำหรับความสัมพันธ์ของความน่าจะเป็น
ในชุดของตัวแปร [3] เมื่อเร็ว ๆ นี้นักวิจัยได้
พัฒนาวิธีการสำหรับ BNS จากข้อมูลทางชีวภาพเรียนรู้และ
แม่นยำในการประมาณการใน GRN [4] แม้จะมีความจริงที่ว่า
เทคนิคที่ได้รับการพัฒนาเป็นที่ผ่านมาและยังคงพัฒนา
ที่พวกเขาได้รับการแสดงที่จะมีประสิทธิภาพอย่างน่าทึ่งสำหรับปัญหา dataanalysis บาง [5] เป็นเช่นนี้เพราะ BNS ได้อย่างง่ายดายสามารถจัดการ
ชุดข้อมูลที่ไม่สมบูรณ์ขณะที่เรียนรู้เกี่ยวกับความสัมพันธ์เชิงสาเหตุ.
นอกจากนี้เมื่อใช้ร่วมกับสถิติคชกรรม
เทคนิค BNS ยังอำนวยความสะดวกการรวมกันของโดเมน
ความรู้และข้อมูล นอกจากนี้วิธีการแบบเบย์ใน
ร่วมกับ BNS และประเภทอื่น ๆ ของแบบจำลองให้มีประสิทธิภาพ
วิธีการและหลักการในการหลีกเลี่ยงอิงข้อมูล.
อย่างไรก็ตามเมื่อใช้พันล้านประมาณการ GRN เป็นเรื่องยากสำหรับเครือข่าย largescale เพราะพื้นที่ค้นหาเติบโตชี้แจงกับ
จำนวนของยีน ใน [6] ผู้เขียนนำเสนอวิธีการใหม่ในการ
ประเมินการกำกับดูแลเครือข่ายยีนอยู่บนพื้นฐานของ BNS เราปรับปรุง
วิธีการโดยการลดความซับซ้อนของเวลาที่ผ่านการค้นหาทางเลือก
กลยุทธ์คือการค้นหาความลึกแรก (DFS) แทนกว้างแรก
ค้นหา (BFS) กลยุทธ์

ผลลัพธ์ (ไทย) 3:

เพราะนักวิจัยในระบบชีววิทยาเข้าถึงทดลองความสามารถของเทคโนโลยีการรวบรวมขนาดใหญ่ที่ซับซ้อนปริมาณของข้อมูลในกระบวนการทางพันธุกรรม , เครื่องมือที่เหมาะสมที่สุดซึ่งจะนำไปสู่การศึกษาปัจจุบันของธรรมชาติในการคำนวณมากขึ้นโดยเฉพาะ , วิธีหนึ่งที่จะแสดงวิธีการโต้ตอบกับยีนแต่ละอื่น ๆ โดยอาศัยการวิเคราะห์ด้านฝังอยู่ภายในGRN กรอบ [ 2 ] สมาธิ ทำแบบเบส์เครือข่าย ( BNS ) เป็นรูปแบบกราฟิกสำหรับความสัมพันธ์เชิงความน่าจะเป็นระหว่างชุดของตัวแปร [ 3 ] เมื่อเร็วๆ นี้ นักวิจัยได้พัฒนาวิธีการเพื่อการเรียนรู้ BNS จากข้อมูลชีวภาพถูกต้องสำหรับ GRN ประมาณ [ 4 ] แม้จะมีความจริงที่ว่าเทคนิคที่ได้รับการพัฒนาและยังคงพัฒนาล่าสุดพวกเขาได้รับการแสดงที่จะมีประสิทธิภาพมากสำหรับปัญหาคือบาง [ 5 ] ที่เป็นเช่นนี้เพราะ BNS พร้อมสามารถจัดการชุดข้อมูลที่ไม่สมบูรณ์ในขณะที่การเรียนรู้เกี่ยวกับความสัมพันธ์เชิงสาเหตุนอกจากนี้ เมื่อใช้ร่วมกับคชกรรมสถิติเทคนิค จำกัด มหาชน ยังอำนวยความสะดวกในการรวมกันของโดเมนความรู้และข้อมูล นอกจากนี้ วิธีการ เบย์ ในร่วมกับ BNS และประเภทอื่น ๆรุ่น ให้มีประสิทธิภาพหลักการและวิธีการเพื่อหลีกเลี่ยง overfitting ข้อมูลอย่างไรก็ตาม เมื่อมีการใช้น้ำมันใน GRN ประมาณยากสำหรับเครือข่ายมากกว่า เพราะการค้นหาพื้นที่เติบโตชี้แจงกับจำนวนของยีน ใน [ 6 ] , ผู้เขียนเสนอวิธีใหม่เพื่อประมาณการยีนควบคุมเครือข่ายจาก BNS . เราได้ปรับปรุงวิธีการลดความซับซ้อนของเวลาผ่านการค้นหาทางเลือกกลยุทธ์ คือ การค้นหาเชิงลึก ( DFS ) แทนกว้างค้นหา ( BFS ) กลยุทธ์