Advanced Bayesian regression and dynamic network modelling
| Promotie: | Dhr. A. (Abdul) Salam |
| Wanneer: | 19 oktober 2022 |
| Aanvang: | 14:30 |
| Promotors: | M.A. (Marco) Grzegorczyk, Prof, prof. dr. E.C. (Ernst) Wit |
| Waar: | Academiegebouw RUG |
| Faculteit: | Science and Engineering |
Verbetering van statistische modellen voor systeembiologie
De focus van het promotie-onderzoek van Abdul Salam lag op twee bekende en veel toegepaste statistische klassen van modellen, namelijk de klasse van dynamische Bayesiaanse netwerk (DBN) modellen en de klasse van schijnbaar niet-gerelateerde regressie (SUR) modellen. Voor beide modelklassen heeft hij methodologische verbeteringen voorgesteld en aangetoond dat deze verbeteringen significant betere resultaten kunnen opleveren.
Dynamische Bayesiaanse netwerken (DBN's) zijn populaire hulpmiddelen voor het leren van de afhankelijkheden tussen random variabelen die in de loop van de tijd zijn gemeten. Net als voor discrete dynamische systemen, is de belangrijkste aanname voor DBN-modellen dat alle regelgevende interacties onderhevig zijn aan een vertraging van één tijdseenheid. Een andere vaak gebruikte veronderstelling is dat de leertaak voor de netwerkstructuur kan worden ontleed in diverse onafhankelijke regressietaken.
In computationele systeembiologie worden DBN-modellen gebruikt om de structuren van cellulaire netwerken te reconstrueren, zoals genregulerende netwerken en eiwitsignaleringsroutes. De klasse van niet-homogene DBN-modellen (NH-DBN) maakt het mogelijk om regelgevende processen die onderhevig zijn aan tijdelijke veranderingen te modelleren. Dit wordt gedaan door een lange tijdreeks op te delen in wederzijds uitsluitende segmenten met segment-specifieke interactieparameters.
Om te grote flexibiliteit van het model te voorkomen is voorgesteld om de segment-specifieke parameters zodanig te koppelen dat ze zoveel mogelijk gelijk blijven tussen segmenten. Hiervoor heeft Salam verschillende verfijningen voorgesteld voor het globaal gekoppelde NH-DBN-model door Grzegorczyk en Husmeier (2013).
Schijnbaar niet-gerelateerde regressie (SUR)-modellen zijn een ander veel toegepast statistisch hulpmiddel. Hierbij wordt aangenomen dat er een reeks regressieproblemen bestaat met gecorreleerde foutentermen. Vanwege deze gecorreleerde fouten zijn de regressieproblemen gerelateerd en kunnen niet onafhankelijk worden afgeleid. Salem heeft een nieuw sparse SUR (SSUR) model ontwikkeld.
Abdul Salam verrichtte zijn promotieonderzoek bij de afdeling Stochastiek en Statistiek van het Bernoulli Instituut met financiering via een beurs uit Pakistan. Hij zal binnenkort gaan werken bij de Faculty of Statistics, University of Malakand, Pakistan.