Large amounts of research efforts have been focused on learning gene regulatory networks (GRNs) based on gene expression data to understand the functional basis of a living organism. Under the assumption that the joint distribution of the gene expressions of interest is a multivariate normal distribution, such networks can be constructed by assessing the nonzero elements of the inverse covariance matrix, the so-called precision matrix or concentration matrix. This may not reflect the true connectivity between genes by considering just pairwise linear correlations. To relax this limitative constraint, we employ Gaussian process (GP) model which is well known as computationally efficient non-parametric Bayesian machine learning technique. GPs are among a class of methods known as kernel machines which can be used to approximate complex problems by tuning their hyperparameters. In fact, GP creates the ability to use the capacity and potential of different kernels in constructing precision matrix and GRNs. In this paper, in the first step, we choose the GP with appropriate kernel to learn the considered GRNs from the observed genetic data, and then we estimate kernel hyperparameters using rule-of-thumb technique. Using these hyperparameters, we can also control the degree of sparseness in the precision matrix. Then we obtain kernel-based precision matrix similar to GLASSO to construct kernel-based GRN. The findings of our research are used to construct GRNs with high performance, for different species of Drosophila fly rather than simply using the assumption of multivariate normal distribution, and the GPs, despite the use of the kernels capacity, have a much better performance than the multivariate Gaussian distribution assumption.

中文翻译：

---

使用高斯过程模拟器和图形 LASSO 学习基因调控网络

大量的研究工作集中在基于基因表达数据学习基因调控网络 (GRN) 以了解生物体的功能基础。在感兴趣的基因表达的联合分布是多元正态分布的假设下，可以通过评估逆协方差矩阵（即所谓的精度矩阵或浓度矩阵）的非零元素来构建此类网络。通过仅考虑成对线性相关性，这可能无法反映基因之间的真实连接性。为了放松这个限制性约束，我们采用了高斯过程 (GP) 模型，该模型是众所周知的计算高效的非参数贝叶斯机器学习技术。GP 是一类称为核机的方法之一，可用于通过调整超参数来逼近复杂问题。事实上，GP 创造了利用不同内核的容量和潜力来构建精度矩阵和 GRN 的能力。在本文中，第一步，我们选择具有适当内核的 GP 从观察到的遗传数据中学习考虑的 GRN，然后我们使用经验法则技术估计内核超参数。使用这些超参数，我们还可以控制精度矩阵中的稀疏程度。然后我们获得类似于 GLASSO 的基于核的精度矩阵来构造基于核的 GRN。我们的研究结果用于构建具有高性能的 GRN，适用于不同种类的 GP 创造了利用不同内核的容量和潜力来构建精度矩阵和 GRN 的能力。在本文中，第一步，我们选择具有适当内核的 GP 从观察到的遗传数据中学习考虑的 GRN，然后我们使用经验法则技术估计内核超参数。使用这些超参数，我们还可以控制精度矩阵中的稀疏程度。然后我们获得类似于 GLASSO 的基于核的精度矩阵来构造基于核的 GRN。我们的研究结果用于构建具有高性能的 GRN，适用于不同种类的 GP 创造了利用不同内核的容量和潜力来构建精度矩阵和 GRN 的能力。在本文中，第一步，我们选择具有适当内核的 GP 从观察到的遗传数据中学习考虑的 GRN，然后我们使用经验法则技术估计内核超参数。使用这些超参数，我们还可以控制精度矩阵中的稀疏程度。然后我们获得类似于 GLASSO 的基于核的精度矩阵来构造基于核的 GRN。我们的研究结果用于构建具有高性能的 GRN，适用于不同种类的 然后我们使用经验法则技术估计内核超参数。使用这些超参数，我们还可以控制精度矩阵中的稀疏程度。然后我们获得类似于 GLASSO 的基于核的精度矩阵来构造基于核的 GRN。我们的研究结果用于构建具有高性能的 GRN，适用于不同种类的 然后我们使用经验法则技术估计内核超参数。使用这些超参数，我们还可以控制精度矩阵中的稀疏程度。然后我们获得类似于 GLASSO 的基于核的精度矩阵来构造基于核的 GRN。我们的研究结果用于构建具有高性能的 GRN，适用于不同种类的果蝇fly 而不是简单地使用多元正态分布的假设，并且 GPs，尽管使用了内核容量，但比多元高斯分布假设具有更好的性能。