专利名称：使用生物网络识别药物靶点的系统和方法
技术领域：
本发明涉及系统生物学。更具体地，本发明提供了一种基于生物网络的系统化方法，用于评估抑制对治疗疾病的多种药物靶点的效果。
背景技术：
贝叶斯网络(BN)是一种由贝叶斯定理促进的普通类型的图形化概率模型。逐渐地已经将这样的网络应用于各种计算应用中，如计算生物学和计算机视觉。可能将当前贝叶斯网络参数学习方式分类为两个种类采用最大似然(ML)估计的频率统计方法，采用最大后验(MAP)估计的贝叶斯方式。ML仅仅使用来自所述数据的统计计数以估计在贝叶斯网络中的参数，而MAP使用某些类型的先验统计信用以进一步调节来自所述数据的统计计数。因此，MAP参数估计是自数据和先前知识二者所计算的组合结果。可能将先前知识粗略地定义为涉及网络的结构和参数属性的任何陈述。例如，领域的专家可能提供与局部结构相关的信息，通过指定在变量子集之间的条件独立性或甚至在完全指定变量之间的因果关系，因而这个边缘的方向。领域的专家也可能提供与网络参数相关的知识，所述网络参数的范围通过直接将值分配给条件概率表(CRT)中的入口以引入在一个分布中或跨越多个条件分布的不等式和等式约束。另外，域的知识也可能定义了在这些参数上的先验分布。而且，一些知识规定了在先验分布函数中超参数上的等式和不等式约束。在各种域知识之间，定性的陈述也许是域中最通用和最直观的信息。这些陈述说明了域变量之间的(独立性)依赖性和因果关系。根据定义，“(独立性)依赖性”链接了联合表示中的多个实体，“因果关系”规定了在这个联合设置内的条件和方向。在贝叶斯框架中，在定性域知识中的(独立性)依赖性和因果关系定义了在给出其父节点的所有可能配置的子节点的概率之间的一组不等式关系。由于接近每一个BN承认了给定结构的(独立性)依赖性和因果关系，这种类型的约束提供了最通用和最有用的先验约束给参数学习任务。而且，其对于领域的专家，比较在独立入口上给出指定值或定义Dirichlet之前的超参数，去指定在CRT中入口上不等式约束要求更少。研究者已经提出了多个算法去学习贝叶斯网络参数，通过利用各种形式的先前知识，如Dirichlet函数[2]、[3]。在某些参考文献[4]、[5]、[6]中，提出了结合参数共享约束的用于各种图形模型的参数学习方案。例如，在一个多元条件分布中的参数等式。将这些约束的形式限制为或参数共享或在一个条件分布内的不等式约束，如P(A|B) >P(A| B)。更通用和重要的不等式约束，如P(A|B) >P(A| B)不被他们的方法所解决。在其他参考文献[10]和[11]中，提出了方法用于处理在参数学习中的不等式约束。
因而，不等式约束已经被提出并用于定性概率参考文献[18]、[19]。而且，由于缺少在这些约束中的定性测量，他们在结合任意BN学习过程中的定性训练数据中已经长期被忽略。当前药物发展策略主要集中在研发用于单一目标的紧抑制剂，其可能不是治疗疾病的最有效方法。系统生物学的最近发展清楚地验证了基因/蛋白质紧密互连。毫无疑问，在基因网络中药物靶点的作用是用于抑制剂疗效的决定因素。另外，考虑到基因网络的冗余度和鲁棒性，疾病的有效的治疗可能需要同时抑制多种蛋白质。研发靶向在路径中的一组蛋白质的制药将开创在药物探索中新的领域并在不久的将来将是一个趋势。给定基因网络的复杂度，困难的是，如果不是不可能的，去手动选择蛋白质的组合作为药物靶点并预测抑制这些蛋白质的效果。因此，正在不断寻找新的药物靶点的制药公司需要一种以系统和公正方法可能解决这个问题的计算方式。发明概述
本发明的某些实施方案可以解决上述需要的一些或全部。本发明的某些实施方案可以包括使用生物网络识别药物靶点的系统和方法。根据本发明的示例性实施方案，提供了一种被提供用于预测治疗疾病的药物靶点效果的方法。所述方法可能包括至少部分地基于对疾病的药物抑制效果的知识构建贝叶斯网络结构；将一组参数与构建的贝叶斯网络相关；通过自动过程确定贝叶斯网络的联合概率分布的值；至少部分地基于这些联合概率值导出具有一个或多个平均参数的平均贝叶斯网络；和至少部分地基于所述平均贝叶斯网络计算定量预测。根据本发明的另一示例性实施方案，提供了一种自动确定贝叶斯网络中的多项分布的方法。所述方法包括使用与构建的贝叶斯网络结构相关的一组联合概率参数构建贝叶斯网络的图形结构；设计自动过程以确定与所述联合概率参数相关的值；同时导出等效平均贝叶斯网络或贝叶斯网络的类；和使用等效平均贝叶斯网络或贝叶斯网络的类实施定量预测和推理模拟。根据本发明的示例性实施方案，提供了一种确定贝叶斯网络的参数的系统。所述系统可以包括存储可执行指令的至少一个存储器；与所述至少一个存储器通信的至少一个处理器，其中所述至少一个处理器可操作用来执行已存储的指令以接收多个不等式参数约束，所述不等式约束至少部分地基于定性领域知识；基于所述多个不等式参数约束构建参数分布；使用定量数据统计，整合所述参数分布以使用定量领域知识确定贝叶斯参数计分函数，其中所述贝叶斯参数计分函数同时反映了所述定量领域知识和定性领域知识。本发明的示例性实施方案提供了一种通过将定性导出陈述的不等式限制与数据整合来实施在给定结构的贝叶斯网络中的参数学习的算法或过程。由本发明的实施方案所提供的示例性算法可能处理许多其他类型的先前知识和限制，如未定向关系，逻辑和高阶非线性约束。即使使用最通用的约束，本发明的示例性实施方案可能显著地提高学习精度，即使使用非常稀少的数据(几个样本)。相比较而言，本发明的方法可以直接通过采样和获得dirichlet超参数来直接作用于参数空间。因而，本发明的方法可能比一些传统方法更有效和可行[13]。除了使用先前知识基于数据的学习方式，提供了一种新的算法用于通过仅仅使用先前知识(没有任何定量训练数据)实施在(动态)贝叶斯网络中的定量概率推理[7]。使用本发明的示例性实施方案，可能的是，表示具有线性回归的条件概率之间的各种不等式关系[7]。可以使用参数约束用于定义在其中每一个模型与先前知识的主体一致的模型空间中的分布。不一致的知识可能被转化为在知识空间上的分布[8]。本发明的示例性实施方案提供了一种使用系统生物学方式识别药物靶点的计算方法。给定一种调节疾病的网络，本发明的方法可能预测抑制在所述疾病的标记基因上的一组基因的效果。例如，如果在疾病中高度上调两个标记基因，本发明的方法可能发现哪些基因可能减少所述两个标记基因返回到正常水平的出现的抑制。因此，本发明的方法提供了一种识别药物靶点的系统方式。更具体地，本发明的示例性实施方案提供了一种基于生物网络的系统方法，用于评估治疗疾病的多个药物靶点的抑制效果。这样的效果经常不能轻易地通过使用传统分子生物学方式来识别。不同于使用普通或偏微分方程(0DE或TOE)的网络行为建模的常用方式，示例性实施方案不需要任意类似于用在ODE或PDE中的速率常数的自由参数。这种特征使得建模大的网络(数百个节点)并分析多个基因的同时扰动的后果成为可能。相反，ODE或PDE经 常被限制为分析相对较小的网络(10-20个节点)。在药物靶点探索中分析大的网络的能力是重要的，因为调节疾病的基因网络经常涉及大量的基因。因此，ODE或PDE方式仅仅可能考虑在网络中的局部效果。然而，本发明的实施方案可能考虑到抑制在网络中蛋白质的全局效果并因此可能用于药物靶点探索中。
在某些实施方案中，本发明提供了一种自动确定在给定网络结构的贝叶斯网络中的数值参数的计算机辅助过程。这是预测抑制在疾病的标记基因上的蛋白质的效果的重要步骤。在科学和工业领域中，经常需要定量仿真用于获得对系统的更好理解和用于预测在某些环境下的系统行为。例如，在与基因有关的疾病中，基因和蛋白质相互调节以控制疾病的进展。抑制特定基因/蛋白质可能为疾病过程中引入显著变化。在这样的情况中，期望使用计算机辅助仿真算法以定量的水平来预测这样的变化。根据本发明的示例性实施方案，提供了一种利用贝叶斯网络的算法，所述贝叶斯网络由表示在所述数据中变量之间的依赖性的结构和指示某些事件发生概率的参数所构成。在示例性实施方案中，所述贝叶斯网络可能被学习自其中通过最大化某些统计分数确定结构和参数的一组数据。在自所述数据建立了贝叶斯网络之后，可能调查基于特定环境下网络行为的定量预测。用于这样定量推断的先决条件可能包括(i)所述网络结构已知，和(ii)在这种结构下已配置所述数值参数。在药物靶点探索的实践中，定量数据组基本上是不可用的和/或与所述网络的维度比较是稀疏的。在这种情况下，很难从这些数据足以学习到贝叶斯网络，即学习的贝叶斯网络对于定量预测在统计学上不显着。或者，仍旧可能的是，通过利用领域专家的知识与域中其他知识资源，如科学出版物，构建贝叶斯网络结构。因而，剩下的问题最终退为在构建的网络中的参数配置。没有量化的数据，对于领域的专家几乎不可能的是，确定在复杂贝叶斯网络中给定大量局部结构的多项分布中的每一个单个概率。本发明的示例性实施方案解决了这样的问题，通过提供一种方法和/或计算机辅助仿真过程，以自动地确定在给定其结构的贝叶斯网络中的多项分布。根据示例性实施方案，所述方法可能包括通过增加在根据领域专家和其他知识资源的变量之间的定向边或通过在所述过程开始之前给定或获得的图形结构来构建贝叶斯网络的图形结构的第一步骤。根据示例性实施方案，可能将一组参数关联于构建的贝叶斯网络结构，这些参数可能包括联合概率。在所述组中的每一个参数指示结合其他变量的值的一个变量的值的概率。在示例性实施方案中，本发明可以包括指定仅仅基于在贝叶斯网络中的(局部)结构确定所述联合概率分布的值的自动过程的第二步骤，即激活父母的(局部)数据和抑制父母的(局部)数量。根据示例性实施方案，所述激活父母，被定义为父节点，当出现时，可能增加子节点的信用；抑制父母，被定义为父节点，当出现时，减少子节点的信用。使用所述参数组的确定，本发明的示例性实施方案可以包括同时导出等效平均贝叶斯网络或贝叶斯网络的类的第三步骤。这种等效单个贝叶斯网络可以是具有来自所述贝叶斯网络的类的平均参数的贝叶斯网络。等效平均贝叶斯网络或贝叶斯网络的类可能被用于实施定量预测和推理模拟。
本发明的示例性实施方案使得自动参数配置能够在给定其结构的贝叶斯网络中。特别地，根据示例性实施方案，局部结构，即局部激活的父母和抑制父母的数量是用于这样参数配置的唯一必要条件。随后，可能自等效平均贝叶斯网络或自贝叶斯网络的类导出定量预测。已经批准了这些定量预测以与实际实验的生物学数据一致。在某些示例性实施方案中，自动联合分布配置可基于三个逻辑观察(A)排除父母之间的交互，更多数量的子节点已经变为出现/激活的激活父节点，子节点的较大信用可能变成在抑制父母的相同数量的激活/出现之下。(B)排除父母之间的交互，更多数量的子节点已经变为出现/激活的抑制父节点，子节点的较小信用可能变成在激活父母的相同数量的激活/出现之下。(C)考虑特定父母之间的交互，可能根据满足所述交互提供的逻辑来调节陈述(A)和⑶。在本发明的其他示例性实施方案中，在正出现的特定数量的激活和/或抑制父节点的环境下的子节点的信用/概率可以由子节点和其父节点的联合分布来表示和计算。在本发明的又一其他示例性实施方案中，在陈述(A)，(B)和(C)中的基本逻辑，即所述数量的正出现的激活和抑制父节点的逻辑导致较大或较小的子节点信用。图I描绘了被编码为矩阵的这样的逻辑。所述行指示了子节点的激活父母的数量，所述列指示了子节点的抑制父母的数量。在所述矩阵中的每一个元件为在由矩阵行/列索引指定的激活和抑制父节点的组合下的子节点的概率。激活和抑制父节点的各种组合给出了在联合分布中的父节点和子节点的例示。换句话说，基于在例示中的激活父母的数量和抑制父母的数量将联合概率的所有例示分类为数个种类(每一个种类是在图I中参数排序矩阵中的元件)。根据上述陈述㈧，⑶和(C)，在矩阵中的每一个元件，即概率值，如图I所示被设置为从左到右升序和从上到下降序。父节点和子节点的联合概率可以取决于按照这些顺序的参数空间中的采样。优选地，所示升序和降序覆盖了一个或多个大的关系和/或小的关系和/或大/相等关系和/或小/相等关系。在本发明的其他示范性实施方案中，每一个联合概率样本指定了一个贝叶斯网络，这些样本一起定义了贝叶斯网络的类。在这些联合概率样本上的平均值可以被确定并导出具有平均参数的平均贝叶斯网络。根据本发明的示例性实施方案，通过在一组贝叶斯网络上的整合计算定量预测，通过在所述第二步骤(如上提供的一样)中的升序/降序矩阵给出所述整合的限制。所述整合也被乘以与所述参数相关的组中的贝叶斯网络的先验概率。可通过Monte Carlo仿真和/或Markov链估算所述整合使得被给予有序矩阵的每一个联合概率参数被接收于相同的先验概率。如果必要，可能的是，在领域专家和/或其他知识资源的指导下选择所述联合参数空间的不同领域中的不同先验概率。在示例性实施方案中，可以给出具有循环的图形结构。这样的图形结构与上述的DAG(有向非循环图)和贝叶斯网络的定义不一致。因此，循环图形结构被转化为非循环图形结构的时间发展。可以将本发明的示例性实施方案用于众多的应用，如分子生物学，基因工程，金融。优选的应用领域是生物和/或生物医学领域。在这些领域中，图形结构由与从蛋白质到基因的交互和/或来自疾病发生的生物分子的影响相关的专家和其他知识资源给出。可以根据所述第二步骤的局部结构导出所述参数配置。
本发明的示例性实施方案包括一种具有被存储在由计算机执行的机器可读载体上的程序代码的计算机程序产品。图2示出了在贝叶斯网络中发生的非循环图形结构的实施例。根据所述第一步骤的执行，给出结构G1-G5，他们的相关联合概率可被写为=O1 P(A, B, C，D) ；Θ2 Ρ(Α, B, D)；Θ3 Ρ(Α, B, D) ；Θ4 Ρ(Α, D) ；Θ5 Ρ(Α, D)Eq. (al)由这些结构和他们参数所定义的贝叶斯网络可被写为B1 = (Gl, Θ1) ；B2 =(G2, 0 2) ；B3 = (G3, 0 3) ；B4 = (G4, 0 4) ；B5 = (G5, 0 5) ；Eq. (a2)通过所述第二步骤的执行，构建了放置在激活和抑制父节点的组合下的子节点概率上的相对顺序的矩阵，如图3a_3e中所示。根据示例性实施方案，在所述矩阵中的值Pq指示了在激活父节点j和抑制父节点i的出现中的子节点概率。可以通过联合概率表示这个值。例如，在图3d中，Ptl,C1和Pcm被计算为 =ρ(αΤΗβ,α)Eq-(a4)根据所述矩阵，在Eq. (3)，(4)中的所述四个联合概率之间的顺序为—~__' < —~/f)_~-Eq, (a5)
Pd), /I) + P(JJ, A) PU), A) + fM), A)^同样众所周知的是，根据概率理论，所述四个联合概率总计为I :P(D, A) + PU), /I) + P(T), A) + PU), Λ) = IEq. (a6)根据本发明过程的第三步骤，与结构G4 —起的每一个联合概率样本唯一地定义了贝叶斯网络B4。这些网络形成了生成定量预测的贝叶斯网络的类，最终定量结果是这些预测的数值平均值。另外，这些联合概率样本结果的平均值形成了等效平均贝叶斯网络中。这种等效贝叶斯网络用于生成定量预测。附图简要说明图I描述了基于局部结构的参数排序矩阵。图2描述了图形结构样本。图3a描述了 O1的排序矩阵。图3b描述了 O2的排序矩阵。图3c描述了 03的排序矩阵。图3d描述了 O4的排序矩阵。图3e描述了 Θ5的排序矩阵。图4a描述了联合概率样本。图4b描述了条件概率样本。
图5描述了人胚胎干细胞中的0ct3/4标记基因的预测和实验基因表示的变化之间的相关性，图5b描述了用于Nanog标记基因的相同内容。图6a_61描述了在玩具网络中的参数学习实施例所述网络包含两个二元节点。A是B的激活剂专利。X，Y轴分别表示条件概率P (B/A)和P(B/A) ；Z轴等于在使用ML，MAP和QMAP估计的Eq. 8中的后验统计计数[-(UM1ijk)]的负值。图7a描述了在酵母细胞循环网络中的参数学习，图7b描述了 KL收敛。图8a_8d分别描述了来自ML和QMAP的AU识别网络参数学习结果的对比。图9表示了动态贝叶斯网络。
图10表示了与乳腺细胞的增殖网络相关的2时间片的贝叶斯网络。图11示出和示例了在MCF-7细胞中的细胞增殖上的预测。 图12示出了在预测和实验之间的相关性。图13示出了在三个乳腺正常和癌症细胞中的细胞增殖上的预测。图14示出了在预测和实验之间的相关性。图15是方法的流程图，根据本发明的示例性实施方案。图16是另一方法的流程图，根据本发明的示例性实施方案。发明详述学习的贝叶斯网络的一般化性能较大地依靠于先前提供给学习机器的质量。事实上，先验分布被设计用于将添加剂领域专家的知识提供给容忍围绕这些初始计数的一些变化的贝叶斯网络中的参数。学习任务是在这个数据统计的初始计数的组合调节。先验分布的使用在稀疏数据的情况中甚至变为更加重要。在指定Dirichlet优先(通常用于最大一个后验估计)中的一个基本问题是，对于领域专家经常不可能的是，精确地指定Dirichlet分布的参数，因为他们对于领域专家不直观。因此，在实践中，Dirichlet优先的参数是或随机分配或等同地设置哪一个导致或非信息优先或统计上的不精确优先。当数据是稀疏时，这种不精确优先诱导了在选择单个最佳模型时的添加剂偏见。另一方面，通常存在来自领域中许多资源的可获得的定量信息，如领域专家，文献，数据库等。这样的知识通常包含说明某些定性关系的有效信息，如不等式或逻辑，在所述领域的实体之间。在贝叶斯网络学习中已经忽略了这种类型的定性知识，由于他们的缺乏期望用于学习机器的定量信息的特性。本发明的示例性实施方案包括一种通过将通用定性领域知识整合于定量数据来学习贝叶斯网络中的参数的框架。首先，定性信息被转化为数学公式，如约束。随后招募Monte Carlo采样用于重建在定性领域知识之外的定量优先分布，涉及新的分数用于组合先验分布和数据统计。在计算生物学中的基因调节网络和在计算机视觉中的面部动作单元识别网络中都测试这些算法(QMAP)。这些结果示出了(i)使用甚至很通用的定性领域知识，QMAP显著地胜过ML和MAP估计；(ii) QMAP获得令人惊讶的良好估计，即使使用非常稀疏数据，并显著地降低了对训练数据集的数量的依赖性。方法提供了一种使用通用先验知识用于贝叶斯网络参数学习的框架。在这种研究中，使用知识模型[9，10]用于将定性领域知识转化成一组不等式参数约束。自这些约束处重建所述参数先验分布(即，先验伪计数)。提高了一种将这种优先分布整合于定量数据统计的新的贝叶斯参数计分函数。以这种方式，通过定量数据和先验知识二者组合性地调节所述参数后验分布。A.定性约束一般地，定性领域知识可能定义在贝叶斯网络中条件概率上的各种约束。如之前所述，可能通过线性回归函数f(euk) <c，i，j，k(c是标量)表示这些约束的大多数，其中θ ijk是为k的第i个节点的状态的条件概率，给定其第j个父母配置。特别地，可能自这个函数导出四种类型的约束。范围约束定义了在贝叶斯网络中任意参数的上界和下界
权利要求
1.一种方法，包括由一个或多个处理器执行计算机可执行指令用于预测治疗疾病的药物靶点效果的方法，所述方法进一步包括 至少部分地基于对疾病的药物抑制效果的知识构建贝叶斯网络的结构； 将一组参数与构建的贝叶斯网络相关； 通过自动过程确定贝叶斯网络的联合概率分布的值； 至少部分地基于这些联合概率值导出具有一个或多个平均参数的平均贝叶斯网络；和 至少部分地基于平均贝叶斯网络计算定量预测。
2.如权利要求I所述的方法，其中构建贝叶斯网络的结构包括根据领域专家知识增加变量之间的定向边。
3.如权利要求I所述的方法，其中将一组参数与构建的贝叶斯网络相关包括联合在贝叶斯网络中其他变量的值指示一个或多个变量的值的联合概率。
4.如权利要求I所述的方法，其中确定联合概率分布的值是基于包括多个激活父母和多个与贝叶斯网络相关的抑制父母的局部结构。
5.如权利要求I所述的方法，其中导出平均贝叶斯网络包括平均与网络相关的联合概率值。
6.如权利要求I所述的方法，其中计算定量预测包括整合一组贝叶斯网络并通过贝叶斯网络组的先验概率乘以结果。
7.如权利要求6所述的方法，其中整合一组贝叶斯网络包括在激活和抑制父节点的组合下至少部分地基于子节点概率以相对顺序应用整合限制。
8.一种方法，包括由一个或多个处理器执行计算机可执行指令用于自动确定在贝叶斯网络中的多项分布的方法，所述方法进一步包括 使用相关于已构建贝叶斯网络结构的一组联合概率参数构建贝叶斯网络的图形结构； 设计自动过程以确定与所述联合概率参数相关的值； 同时导出等效平均贝叶斯网络或贝叶斯网络的类；和 使用等效平均贝叶斯网络或贝叶斯网络的类实施定量预测和推理模拟。
9.如权利要求8所述的方法，其中构建贝叶斯网络的图形结构至少部分地通过根据领域专家或知识资源增加变量之间的定向边。
10.如权利要求8所述的方法，其中联合概率的值至少部分基于在贝叶斯网络中局部结构来确定，其中局部结构包括一个或多个激活父母，其在出现时，增大与相应子节点相关的概率。
11.如权利要求8所述的方法，其中联合概率的值至少部分基于在贝叶斯网络中局部结构来确定，其中局部结构包括一个或多个抑制父母，其在出现时，减小与相应子节点相关的概率。
12.如权利要求8所述的方法，其中等效平均贝叶斯网络包括具有来自贝叶斯网络的类的平均参数的贝叶斯网络。
13.如权利要求8所述的方法，其中定义构建的贝叶斯网络通过结构和参数BI=(Gl，Θ I) ；B2 = (G2, 0 2) ；B3 = (G3, 0 3) ；B4 = (G4, 0 4) ；B5 = (G5, 5)，其中联合概率包括 A1 = P(A，B，C，D) ；Θ2 = P(A，B，D) ；Θ3 = P(A，B，D) ；Θ4 = P(A，D) ；Θ5 = P (A,D)，给定结构G1-G5。
14.如权利要求8所述的方法，其中构建了放置在激活和抑制父节点的组合下的子节点概率上的相对顺序的矩阵。
15.如权利要求14所述的方法，其中将矩阵值Pq计算为P= p{D A)p{- -} ’和4= Κυ 2+ % 4)，其Φ Pi’J 标7棚舌妙点、J矛嚇龄点、i白勺邮见Φ白好$点、概率指示了在激活父节点O和抑制父节点O的出现中的子节点概率，Pcm指示了在激活父节点I和抑制父节点O的出现中的子节点概率；其中通过联合概率表示值Pu。
16.如权利要求14所述的方法，其中在联合概率之间的顺序包括 PO), I) < PU), /I)PU), I) + PU), I) ― P(J)i A) + P(T), /I) 0
17.如权利要求14所述的方法，其中联合概率包括PO ,I) + P{D, A) + P{D, A) + Ρ(β, I)合计为I。
18.一种确定贝叶斯网络的参数的系统，包括 至少一个存储器，存储可执行指令； 至少一个处理器，与至少一个存储器通信，其中至少一个处理器可操作用来执行已存储的指令以 接收多个不等式参数约束，不等式约束至少部分地基于定性领域知识； 基于所述多个不等式参数约束构建参数分布；和 使用定量数据统计，整合所述参数分布以使用定量领域知识确定贝叶斯参数计分函数，其中贝叶斯参数计分函数同时反映了定量领域知识和定性领域知识。
19.如权利要求18所述的系统，其中不等式参数约束可能包括一个或多个范围约束，交叉分布约束，内部分布约束或间分布约束。
20.如权利要求18所述的系统，其中定量和定性领域知识与生物网络相关，其中贝叶斯参数计分函数可操作用来提供生物网络的参数。
全文摘要
本发明的某些实施方案可以包括使用生物网络识别药物靶点的系统和方法。根据本发明的示例性实施方案，提供了一种用于预测治疗疾病的药物靶点效果的方法。所述方法可能包括至少部分地基于对疾病的药物抑制效果的知识构建贝叶斯网络结构；将一组参数与构建的贝叶斯网络相关；通过自动过程确定贝叶斯网络的联合概率分布的值；至少部分地基于这些联合概率值导出具有一个或多个平均参数的平均贝叶斯网络；和至少部分地基于所述平均贝叶斯网络计算定量预测。
文档编号G06F19/00GK102859528SQ201180020979
公开日2013年1月2日 申请日期2011年5月18日 优先权日2010年5月19日
发明者王巍, 常睿 申请人:加利福尼亚大学董事会