Hem desenvolupat un model no paramètric bayesià anomenat Monet (Multi-Omics NETwork inference) per inferir la interacció de la xarxa gen-TF i la força de l'activitat dels TF sense conèixer a priori el número de TF participants en cada etapa d'un procés molecular. La inferència estadística es realitza en un entorn bayesià mitjançant una implementació de NUTS derivada d'HMC a Stan. Aqui, demostrem la capacitat de Monet per extreure aquests paràmetres i l'apliquem a dades hematopoètiques del ratolí ...
Hem desenvolupat un model no paramètric bayesià anomenat Monet (Multi-Omics NETwork inference) per inferir la interacció de la xarxa gen-TF i la força de l'activitat dels TF sense conèixer a priori el número de TF participants en cada etapa d'un procés molecular. La inferència estadística es realitza en un entorn bayesià mitjançant una implementació de NUTS derivada d'HMC a Stan. Aqui, demostrem la capacitat de Monet per extreure aquests paràmetres i l'apliquem a dades hematopoètiques del ratolí per analitzar breument els canvis en l'abscència del TF Sp1. El nostre model ens permet fer prediccions sobre la importància d'específics TF al llarg del temps i sota diferents situacions de pertorbació.
+
Hemos desarrollado un modelo bayesiano no paramétrico llamado Monet (Multi-Omics NETwork inference) para inferir la red de interacción gen-TF y la fuerza de actividad de los TF sin conocer a priori el número de TF participantes en cada etapa de un proceso molecular. La inferencia estadística se realiza en un entorno bayesiano utilizando una implementación de NUTS derivada de HMC en Stan. Aquí, demostramos la capacidad de Monet para extraer estos parámetros y lo aplicamos a datos hematopoyéticos de ...
Hemos desarrollado un modelo bayesiano no paramétrico llamado Monet (Multi-Omics NETwork inference) para inferir la red de interacción gen-TF y la fuerza de actividad de los TF sin conocer a priori el número de TF participantes en cada etapa de un proceso molecular. La inferencia estadística se realiza en un entorno bayesiano utilizando una implementación de NUTS derivada de HMC en Stan. Aquí, demostramos la capacidad de Monet para extraer estos parámetros y lo aplicamos a datos hematopoyéticos de ratón para analizar brevemente los cambios en la absencia del TF Sp1. Nuestro modelo nos permite hacer predicciones sobre la importancia de específicos TF a lo largo del tiempo y bajo diferentes situaciones de perturbación.
+
We have developed Bayesian non parametric model called Monet (Multi-Omics NETwork inference) in order to infer the TF-gene network interaction and the TF activity strength without knowing a priori the number of participating TF in each stage of a molecular process. Statistical inference is performed in a Bayesian setting using an implementation of HMC-derived NUTS in Stan. Here, we demonstrate the Monet's capability to extract these parameters and we apply it to mouse hematopoietic data to briefly ...
We have developed Bayesian non parametric model called Monet (Multi-Omics NETwork inference) in order to infer the TF-gene network interaction and the TF activity strength without knowing a priori the number of participating TF in each stage of a molecular process. Statistical inference is performed in a Bayesian setting using an implementation of HMC-derived NUTS in Stan. Here, we demonstrate the Monet's capability to extract these parameters and we apply it to mouse hematopoietic data to briefly analyze the changes in Sp1 TF knockdown. Our model allows us to make predictions on the importance of specific TF over time and under different perturbation settings.
+