标签：... 调控 基因 矩阵 网络 ij 正交 转录 奇异
基因转录调控网络推导方法——奇异值分解
奇异值分解是线性代数中的一种矩阵分解方法，在信号处理和统计学等领域应用广泛。目前，奇异值分解已被广泛应用在大规模基因表达数据分析。例如Yeung等利用奇异值分解法在稀疏条件下重建了基因调控网络，实验证明该方法具有较高的准确性，而且具有较低的计算复杂度。
为了减少复杂度，这种方法只考虑了稳态情况下的调控关系，并用一个线性微分方程组(方程1)来表示：
d
x
i
(
t
)
d
t
=
−
λ
i
x
i
(
t
)
+
∑
j
=
1
n
W
i
j
x
i
(
t
)
+
b
(
t
)
+
ξ
i
(
t
)
,
i
=
1
,
2
,
.
.
.
n
\frac{\mathrm{d} x_i(t)}{\mathrm{d} t} = -\lambda_i x_i(t)+\sum\nolimits_{j=1}^{n}{W_{ij} x_i(t)}+b(t)+\xi _i(t), i=1,2,...n
dtdxi(t)=−λixi(t)+∑j=1nWijxi(t)+b(t)+ξi(t),i=1,2,...n
上式中，
x
i
(
t
)
(
i
=
1
,
2
,
.
.
.
,
n
)
x_i(t)(i=1,2,...,n)
xi(t)(i=1,2,...,n)反应了基因
i
i
i的表达水平；
λ
i
\lambda_i
λi是基因
i
i
i的自我降解率；
b
(
t
)
b(t)
b(t)是外部因素;
ξ
i
(
t
)
\xi_i(t)
ξi(t)是噪声；
W
i
j
W_{ij}
Wij是调控矩阵元素，表示基因
j
j
j对基因
i
i
i的调控类型和调控强度，正数表示激活，负数表示降解，零表示没有调控关系。
在外部刺激条件
(
b
1
,
b
2
,
.
.
.
,
b
n
)
T
(b_1,b_2,...,b_n)^T
(b1,b2,...,bn)T干扰下，n个不同基因的表达量分别记为
(
x
1
,
x
2
,
.
.
.
,
x
n
)
T
(x_1,x_2,...,x_n)^T
(x1,x2,...,xn)T：
X
=
(
x
1
(
1
)
x
1
(
2
)
.
.
.
x
1
(
m
)
x
2
(
1
)
x
2
(
2
)
.
.
.
x
2
(
m
)
.
.
.
.
.
.
.
.
.
.
.
.
x
n
(
1
)
x
n
(
2
)
.
.
.
x
n
(
m
)
)
X = \begin{pmatrix} x_1(1) &x_1(2) &... &x_1(m) \\ x_2(1) &x_2(2) &... &x_2(m) \\ ... &... &... &... \\ x_n(1) &x_n(2) &... &x_n(m) \end{pmatrix}
X=⎝⎜⎜⎛x1(1)x2(1)...xn(1)x1(2)x2(2)...xn(2)............x1(m)x2(m)...xn(m)⎠⎟⎟⎞
上式中，
x
i
(
j
)
x_i(j)
xi(j)表示在第
j
j
j个样本（干扰）中第
i
i
i个基因的表达。
将(方程1)写成矩阵的形式(方程2)：
X
ˇ
=
J
X
+
B
\check{X} = JX+B
Xˇ=JX+B
这里忽略了噪声，自我降解率
ξ
i
(
t
)
\xi_i(t)
ξi(t)被
J
i
j
J_{ij}
Jij合并用来简化公式。
X
ˇ
=
d
X
(
t
)
d
t
\check{X} = \frac{\mathrm{d} X(t)}{\mathrm{d} t}
Xˇ=dtdX(t)，
B
=
[
b
i
(
j
)
]
,
i
=
1
,
2
,
.
.
.
,
n
,
j
=
1
,
2
,
.
.
.
,
m
,
J
i
j
=
W
i
j
−
δ
i
j
λ
i
B=[b_i(j)], i=1,2,...,n,j=1,2,...,m,J_{ij}=W_{ij}-\delta _{ij}\lambda _i
B=[bi(j)],i=1,2,...,n,j=1,2,...,m,Jij=Wij−δijλi为函数，即（方程3）：
δ
i
j
=
{
1
i
=
j
0
i
≠
j
\delta _{ij}=\begin{cases} 1 & i = j \\ 0 & i \ne j \end{cases}
δij={10i=ji=j
通过奇异值分解，我们可以把
X
T
X^T
XT分解为
X
T
=
U
E
V
T
X^T=UEV^T
XT=UEVT，其中
U
U
U是一个左特征向量的
m
×
n
m\times n
m×n阶酉矩阵，
E
=
d
i
a
g
(
e
1
,
e
2
,
.
.
.
,
e
n
)
E=diag(e_1,e_2,...,e_n)
E=diag(e1,e2,...,en)是包含n个特征值的n×n阶主对角线矩阵，
V
T
V^T
VT是右特征向量的n×n阶酉矩阵，我们可以得到方程的解(方程4)：
J
^
=
(
X
ˇ
−
B
)
U
E
−
1
V
T
\hat{J} = (\check{X}-B ) UE^{-1}V^T
J^=(Xˇ−B)UE−1VT
式中，
E
−
1
=
d
i
a
g
(
1
/
e
i
)
E^{-1}=diag(1/e_i)
E−1=diag(1/ei)，如果
e
i
=
0
e_i=0
ei=0，则令
1
/
e
i
=
0
1/e_i=0
1/ei=0。所以可以得到方程的一般相互关系矩阵解
J
=
[
J
i
j
]
n
×
n
J=[J_{ij}]_{n\times n}
J=[Jij]n×n，即（方程5）：
J
=
(
X
ˇ
−
B
)
U
E
−
1
V
T
+
Y
V
T
=
J
^
+
Y
V
T
J=(\check{X}-B)UE^{-1}V^T+YV^T=\hat{J}+YV^T
J=(Xˇ−B)UE−1VT+YVT=J^+YVT
式中，
Y
=
[
y
i
j
]
n
×
n
Y=[y_{ij}]_{n\times n}
Y=[yij]n×n是一个n×n阶矩阵，若
e
i
≠
0
e_i \ne 0
ei=0，则
y
i
j
=
0
y_{ij}=0
yij=0；若
e
i
=
0
e_i = 0
ei=0，则
y
i
j
y_{ij}
yij为任意常数。每个J代表一个依赖于Y与芯片数据的网络。
由于奇异值分解会导致非唯一解，这就需要一定的约束从所有解之中分离出真正的解。由于真正的基因调控网络通常是稀疏的，就是说每个基因一般只与所有基因中的一小部分基因相互作用，因此稀疏性是合理的约束条件。Yeung等基于此点利用优化方法使J的
L
1
L_1
L1值最小，即（方程6）：
min
Y
∣
J
^
+
Y
V
T
∣
\min_{Y}|\hat{J}+YV^T|
Ymin∣J^+YVT∣
Yeung等在文献中通过多个实验证明，奇异值分解方法推出的基因调控网络具有较高的准确性，但是需要注意的是，这种方法只适合基因调控网络的线性模型。
代码实现：
numpy当中封装了现成的SVD分解方法。我们直接调用np.linalg.svd接口即能完成矩阵的分解：
import numpy as np
from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()
data, label = cancer.data, cancer.target
U, Sigma, V = np.linalg.svd(data)
执行结果：
这里的Sigma返回的是一个向量，代替了对角矩阵，节省了存储开销。可以通过找出最小的K，使得K个奇异值占据整体奇异值95%以上的和。这里可以看到，我们选出了5个奇异值就占据所有奇异值和的99%以上：
总结：
SVD和PCA一样底层都是基于矩阵的线性操作完成的，通过SVD的性质，我们可以对原数据进行压缩和转化。基于这一点，衍生出了许多的算法和应用场景，其中最经典的要属推荐系统中的协同过滤了。
矩阵近似值
奇异值分解在统计中的主要应用为主成分分析（PCA），它是一种数据分析方法，用来找出大量数据中所隐含的“模式”，它可以用在模式识别，数据压缩等方面。PCA算法的作用是把数据集映射到低维空间中去。
数据集的特征值（在SVD中用奇异值表征）按照重要性排列，降维的过程就是舍弃不重要的特征向量的过程，而剩下的特征向量张成空间为降维后的空间。
正交矩阵
正交矩阵是实数特殊化的酉矩阵，因此总是正规矩阵。尽管我们在这里只考虑实数矩阵，
这个定义可用于其元素来自任何域的矩阵。正交矩阵毕竟是从内积自然引出的，对于复
数的矩阵这导致了归一要求。注意正交矩阵的定义：n阶‘实矩阵’ A称为正交矩阵，如果：A×A′=E（E为单位矩阵，
A’表示“矩阵A的转置矩阵”。） 若A为正交阵，则下列诸条件是等价的:
- A 是正交矩阵
- A×A′=E（E为单位矩阵）
- A′是正交矩阵
- A的各行是单位向量且两两正交
- A的各列是单位向量且两两正交
- (Ax,Ay)=(x,y) x,y∈R
标签：...,调控,基因,矩阵,网络,ij,正交,转录,奇异 来源： https://blog.csdn.net/ARPOSPF/article/details/120739575
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。