In this study, in order to deal with the noise and uncertainty in gene expression data, learning networks, especially Bayesian networks, that have the ability to use prior knowledge, were used to infer gene regulatory network. Learning networks are methods that have the structure of the network and a learning process to obtain relationships. One of the methods which have been used for measuring the relationship between genes is the correlation metrics, but the high correlated genes not necessarily mean that they have causal effect on each other. Studies on common methods in inference of gene regulatory networks are yet to pay attention to their biological importance and as such, predictions by these methods are less accurate in terms of biological significance. Hence, in the proposed method, genes with high correlation were identified in one cluster using clustering, and the existence of edge between the genes in the cluster was prevented. Finally, after the Bayesian network modeling, based on knowledge gained from clustering, the refining phase and improving regulatory interactions using biological correlation were done. In order to show the efficiency, the proposed method has been compared with several common methods in this area including GENIE3 and BMALR. The results of the evaluation indicate that the proposed method recognized regulatory relations in Bayesian modeling process well, due to using of biological knowledge which is hidden in the data collection, and is able to recognize gene regulatory networks align with important methods in this field.

中文翻译：

---

TIGRNCRN：使用聚类和细化网络的基因调控网络的可信推断

在本研究中，为了处理基因表达数据中的噪声和不确定性，采用学习网络，尤其是贝叶斯网络，具有利用先验知识的能力，来推断基因调控网络。学习网络是具有网络结构和获得关系的学习过程的方法。用于测量基因之间关系的方法之一是相关性度量，但高相关性的基因并不一定意味着它们之间存在因果关系。对基因调控网络推断的常用方法的研究尚未关注其生物学重要性，因此，这些方法的预测在生物学意义方面不太准确。因此，在所提出的方法中，使用聚类在一个簇中识别出具有高相关性的基因，并防止簇中基因之间存在边缘。最后，在贝叶斯网络建模之后，基于从聚类中获得的知识，完成了精炼阶段和使用生物相关性改进监管相互作用。为了显示效率，将所提出的方法与该领域的几种常用方法进行了比较，包括 GENIE3 和 BMALR。评价结果表明，该方法很好地识别了贝叶斯建模过程中的调控关系，这是由于利用了隐藏在数据收集中的生物学知识，并且能够识别基因调控网络，与该领域的重要方法一致。并且防止了簇中基因之间存在边缘。最后，在贝叶斯网络建模之后，基于从聚类中获得的知识，完成了精炼阶段和使用生物相关性改进监管相互作用。为了显示效率，将所提出的方法与该领域的几种常用方法进行了比较，包括 GENIE3 和 BMALR。评价结果表明，该方法很好地识别了贝叶斯建模过程中的调控关系，这是由于利用了隐藏在数据收集中的生物学知识，并且能够识别基因调控网络，与该领域的重要方法一致。并且防止了簇中基因之间存在边缘。最后，在贝叶斯网络建模之后，基于从聚类中获得的知识，完成了精炼阶段和使用生物相关性改进监管相互作用。为了显示效率，将所提出的方法与该领域的几种常用方法进行了比较，包括 GENIE3 和 BMALR。评价结果表明，该方法很好地识别了贝叶斯建模过程中的调控关系，这是由于利用了隐藏在数据收集中的生物学知识，并且能够识别基因调控网络，与该领域的重要方法一致。完成了使用生物相关性的精炼阶段和改善监管相互作用。为了显示效率，将所提出的方法与该领域的几种常用方法进行了比较，包括 GENIE3 和 BMALR。评价结果表明，该方法很好地识别了贝叶斯建模过程中的调控关系，这是由于利用了隐藏在数据收集中的生物学知识，并且能够识别基因调控网络，与该领域的重要方法一致。完成了使用生物相关性的精炼阶段和改善监管相互作用。为了显示效率，将所提出的方法与该领域的几种常用方法进行了比较，包括 GENIE3 和 BMALR。评价结果表明，该方法很好地识别了贝叶斯建模过程中的调控关系，这是由于利用了隐藏在数据收集中的生物学知识，并且能够识别基因调控网络，与该领域的重要方法一致。