| DBNConfig {SMRUCC.genomics.Analysis.BNLearn.DBN} | .NET clr documentation |
Configuration options for the Dynamic Bayesian Network. Controls discretization thresholds, smoothing, transcription rate mapping, etc.
# namespace SMRUCC.genomics.Analysis.BNLearn.DBN
export class DBNConfig {
# 激活得分判定为"高表达"的下限（默认 0.58）。
#
# 得分由 noisy-OR 组合得到，父节点数为 P 时单个父节点由 Medium 变 Low 只会让得分变动约 0.5^P（P=8 时约 0.06）。若沿用较宽的区间（0.34/0.66， 区间宽度 0.32），单基因敲降带来的得分变化远不足以跨越区间， 所有基因都会被钉死在 Medium，虚拟扰动也就观测不到任何响应。 默认取 0.42/0.58（区间宽度 0.16），使单基因扰动能够跨越状态边界。
ActivationHighThreshold: double;
# 激活得分判定为"低表达"的上限（默认 0.42），见 DBNConfig.ActivationHighThreshold。
ActivationLowThreshold: double;
# Transcription rate for "Medium" expression state (basal)
BasalTranscriptionRate: double;
# 级联传播触发下游模块整体状态偏置的阈值（默认 0.005）。
#
# 传播量是"模块内基因状态相对基线的平均变化"（状态值 Low=0/Medium=1/High=2）。 单基因敲降通常只影响其直接靶标（实测约占模块基因的 0.3%~0.5%， 对应传播信号量级 0.003~0.005）。原实现固定取 0.1，且用的是恒为正的速率均值， 导致级联要么永远不触发、要么被单向锁定为 High。 设为 0 可让任何扰动都跨模块传播（放大效应强），调大则只有强扰动才传播。
CascadeStateThreshold: double;
# Upper threshold for discretization (values above this = "High")
HighThreshold: double;
# Transcription rate for "High" expression state
HighTranscriptionRate: double;
# Lower threshold for discretization (values below this = "Low")
LowThreshold: double;
# Transcription rate for "Low" expression state
LowTranscriptionRate: double;
# 计算惰性节点的边缘分布时使用的蒙特卡洛采样数（配置空间过大时无法枚举）。
MarginalSampleSize: integer;
# 惰性 CPT 的记忆化缓存上限：单个节点最多缓存多少个"现场计算过"的父配置。 超过后不再写入缓存，每次查询直接计算，保证稀疏缓存不会无限增长 （父节点多时每个 key 字符串可达数百字节，缓存条目数需要设上限）。
MaxCPTCacheRows: integer;
# 单个节点 CPT 允许"完整展开"的最大行数。
#
# 不超过该阈值（默认 10000，即 3 态下 P<=8）时按原逻辑展开全表； 超过时改为按需计算（惰性 CPT，见 ConditionalProbabilityTable.OnDemandProvider）： 拓扑先验分布本身就是父状态的纯函数，查询时现场计算的结果与全表展开完全一致， 但内存占用从 O(3^P) 降为 O(实际访问过的配置数)。
MaxCPTRows: integer;
# 单个节点允许的最大父节点数（拓扑构建阶段的兜底保护）。
#
# CPT 的行数为各父节点状态数之积（默认 3 态即 3^P），父节点数不受限时 规模会指数爆炸（实测模块内 hub 基因的父节点数可达 39）。
#
# 默认值 8 的另一层意义是模型判别力：激活得分用 noisy-OR 组合， 当父节点数为 P 时，单个父节点从 Medium 变为 Low 只会让 activationScore 从 1-0.5^P 变为 1-0.5^(P-1)，P 越大变化越小 （P=39 时差异约 1e-12），单基因敲降将完全无法产生可观测的响应。 取 8 既符合转录调控 fan-in 的一般规模，也让每个父节点保持足够影响权重。
MaxParents: integer;
# 每个节点（基因）的离散化阈值：key = 节点 ID，value = (low_threshold, high_threshold)。
#
# 默认阈值 DBNConfig.LowThreshold / DBNConfig.HighThreshold（0.33 / 0.66）是按 "已归一化到 [0,1] 的数据"设计的；而时间序列常常是原始 log1p 表达值（量级 0~10+）， 此时几乎所有基因都会被判为 High，导致学习到的 CPT 与推理证据都严重偏向 High。
#
# 由训练流程按数据的经验分位数填好该字典后，参数学习（LearnParameters）与 推理（PredictNextState）都会经 GetThresholds 命中这里，保证两侧使用同一套阈值。
NodeThresholds: list;
# Learning rate for online parameter updates (exponential moving average)
OnlineLearningRate: double;
# 自适应阈值所使用的高分位数（默认 0.66，即约 1/3 的样本落入 High）。
QuantileHigh: double;
# 自适应阈值所使用的低分位数（默认 0.33，即约 1/3 的样本落入 Low）。
QuantileLow: double;
# Random seed for reproducible stochastic sampling
Seed: integer;
# Smoothing parameter for parameter learning (Dirichlet prior concentration). Larger values give more weight to the topology-based prior. When alpha = 0: pure Maximum Likelihood Estimation (data only). When alpha is large: prior dominates (topology only). Default = 1.0 (Laplace smoothing with topology prior).
SmoothingAlpha: double;
# If true, sample from the probability distribution (stochastic prediction). If false, take the most likely state (deterministic, argmax). Default = false (deterministic).
UseMultinomialSampling: boolean;
}
NodeThresholds: list