生物数据分析和生物系统模型中的参数估计

《生物数据分析和生物系统模型中的参数估计》是在作者对时间序列基因表达数据和非线性动态生物系统参数估计领域的研究论文基础上完成的，它包括5个部分：靠前部分给出了本书的研究背景和结构纲要；第2部分包括5章，每章介绍一个时间过程的基因表达数据的方法；第3部分也包括5章，每章描述一种用于非线性动态分子生物系统的参数估计方法；第4部分介绍了有关基因调控网络的建模及参数估计研究现状与进展情况；第5部分为附录。《生物数据分析和生物系统模型中的参数估计》在该领域具有一定前沿性和创新性，《生物数据分析和生物系统模型中的参数估计》的第2～11章主要来源于作者近几年发表在知名的靠前会议或期刊的研究论文。《生物数据分析和生物系统模型中的参数估计》可以作为大学教师、研究生以及研究机构的专家、学者和工程师的参考用书。

田立平教授，具有较强的科研能力和较高的教学水平，在各类期刊发表教科研论文50多篇，其中SCI6篇，EI18篇。田立平教授主持完成省部级科研项目2项，曾获河北省教学成果一等奖一项（排名第五），北京市教学成果二等奖两项（排名分别为靠前和第二）；河北省冶金厅科技进步二等奖，北京市高等院校教学名师奖；唐山市很好教师；北京市中青年骨干教师，北京物资学院很好本科教学靠前教师，目前为北京市很好教学团队《数学公共基础系列课程教学团队》带头人，北京市很好教学团队《数学建模系列课程教学团队》主要成员。

前言
第1章导论1
1.1背景1
1.2本书的框架2
第2章周期性基因鉴定的参数估计方法6
2.1引言6
2.2方法8
2.2.1基因的周期性表达模型8
2.2.2假设检验9
2.3实验结果与讨论10
2.4结论和展望13
参考文献14
第3章从微阵列时间过程表达探测近似周期性表达的基因15
3.1引言15
3.2方法17
3.2.1基因近似周期性的表达模型17
3.2.2假设检验19
3.3实验结果与讨论20
3.4结论和展望25
参考文献25
第4章伪周期性基因表达谱鉴定28
4.1引言28
4.2方法30
4.2.1伪周期性基因表达序列的鉴别模型30
4.2.2假设检验32
4.3实验结果与讨论33
4.4结论和展望35
参考文献36
第5章基于非线性模型的周期性表达基因数据的聚类分析法38
5.1背景38
5.2方法40
5.2.1周期性表达基因模型40
5.2.2基于聚类分析的非线性模型42
5.2.3验证43
5.3实验结果与讨论44
5.4总结48
参考文献48
第6章基于非线性模型的时间序列基因表达数据分析51
6.1背景51
6.2方法53
6.2.1时间序列基因数据的非线性模型53
6.2.2非线性模型的显著性分析55
6.2.3基于非线性模型的聚类分析56
6.2.4数值计算57
6.3基因表达数据在现实生活中的应用61
6.4结论62
参考文献63
第7章有约束的交互最小二乘法对S系统生物网络模型的参数估计66
7.1引言66
7.2算法描述68
7.3数值算例70
7.4结论73
参考文献73
第8章线性分式模型中参数估计的迭代最小二乘法75
8.1引言75
8.2算法描述76
8.3说明性的例子79
8.4结论82
参考文献82
第9章一种基于幂律的细胞凋亡模型及其参数估计84
9.1引言84
9.2模型与参数估计85
9.3仿真结果89
9.4结论和未来研究方向91
参考文献91
第10章复杂度分析与动态代谢系统的参数估计93
10.1引言93
10.2参数估计的模型复杂性分析94
10.3参数估计算法99
10.4应用102
10.5结论和未来的研究方向104
参考文献104
第11章基于逻辑和的基因调控网络中的参数估计107
11.1引言107
11.2基于逻辑和的基因调控网络108
11.3参数估计方法110
11.4说明性的例子112
11.5结论114
参考文献114
第12章关于基因调控网络的建模及参数估计的研究现状及进展117
12.1研究意义117
12.2国内外研究现状分析118
12.3未来研究的主要问题123
12.4主要研究内容、研究目标，以及拟解决的关键科学问题124
12.5拟采取的研究方法、技术路线、实验手段、关键技术、特色及创新点127
参考文献129
附录132
附录A一元线性回归的分析及最小二乘估计132
附录B多元统计分析中的聚类分析135
附录C数据挖掘中的聚类分析137
附录DF分布定义及性质141

前  言
   许多疾病（如艾滋病、肥胖病、H1N1、H7N7禽流感等）起源于在分子水平上不能正常工作的生物系统。随着DNA微阵列和串联质谱等科学技术和实验技术的发展，产生了大量来自于动态分子生物系统的时间序列数据。这些生物数据包含的信息在由基因调控网络导致的疾病诊断和药物合成方面具有非常重要的作用。许多小的非线性基因调控网络通过试验来研究。然而对于大型的基因调控网络，特别是复杂疾病网络，通过研究小型网络的试验方法是无法完成的。即使我们有足够的能力来观测生物网络之间的功能状态和相互作用，但计算上的限制也会阻碍我们理解分子生物系统的行为，因为它们的复杂度会伴随着网络组成的相互作用的数量呈几何级数增长。
   本书是在作者对时间序列基因表达数据和非线性动态生物系统参数估计领域的研究论文基础上完成的。它包括5个部分。第1部分给出了本书的研究背景和结构纲要。第2部分包括5章。每章介绍一个时间过程的基因表达数据的方法。第3部分也包括5章。每章描述一种用于非线性动态分子生物系统的参数估计方法。这些方法不仅提供了时间基因表达数据的分析方法，也提供了高质量的数据用于建立动态的基因调控网络。只要建立了一个动态的分子生物系统模型，就可以对生物系统的性能进行研究。本书为深入了解动态的基因表达数据和动态的分子生物系统（包括基因调控网络）的性能提供了一些新的方法。因此，希望能对许多疾病的治疗和药物的设计提供科学的理论依据。第4部分介绍了有关基因调控网络的建模及参数估计研究现状及进展情况。第5部分为附录。
   本书有如下特点：1）与传统时间过程的基因表达数据的分析方法不同，本书充分采用了基因表达序列的动态和周期性，并且采用非线性模型分析时间过程的基因表达数据。一般情况下，非线性模型的参数估计是研究的主要问题。然而，我们在第2～6章设计了很有效的算法来估计非线性模型的参数。2）基于生物化学反应原理，动态的分子生物系统的模型是较为复杂的非线性微分方程。因而估计这些模型中的参数非常具有挑战性。虽然传统的非线性优化算法，如牛顿法以及改进的牛顿法可以应用于解决这个问题，但这种传统的算法都具有对初始值敏感的不足，而且容易陷入局部最优。利用这些非线性微分方程的特殊结构，我们设计了几种有效的算法用于动态的分子生物系统的参数估计。3）本书的内容具有前沿性和较大的创新性，本书的主要内容来源于作者2009～2013年发表在著名的国际会议或期刊的研究论文。
   我要感谢许多人。在他们的帮助下，本书才得以顺利出版。首先，我要感谢加拿大Saskatchewan大学的吴方向教授以及他的研究团队，衷心地感谢他们给予的鼎力合作、帮助和鼓励。其次，我要感谢我的家人，在我写作过程中，他们一直给予我理解和支持；也感谢我的研究生孙群、贾鹏飞、曾俊、颜斌斌4位同学的帮助。最后，我也非常感谢出版社以及编辑，感谢他们在编辑本书时所付出的辛勤努力。
   本书可能会有很多不足之处和错误，恳请读者朋友们能发现错误，提出更正、建议，作者将不胜感激。
   本书由国家自然科学基金面上项目“基于动态非线性的大型复杂基因调控网络的建模与分析”（61571052）和“北京市高层次人才创新创业计划（G01040011）”以及北京物资学院高级别科研项目培育基金项目（GJB20141004）支持。


   北京物资学院信息学院  田立平