| GeneRegulationModel {SMRUCC.genomics.Analysis.FuzzyGene.Fitting} | .NET clr documentation |
单个靶基因的神经模糊(Takagi–Sugeno)调控模型。
一个实例就是一句话:「当这些调控因子处于某种模糊状态时,靶基因的表达近似为 一个局部线性函数」。模型的输入顺序与 GeneRegulationModel.Regulators 一一对应, 输出维数恒为 1(靶基因自身)。
可解释性来自两方面:GeneRegulationModel.RulesText() 给出带触发强度的 IF-THEN 规则, GeneRegulationModel.LocalSensitivity() 给出给定状态下每个调控因子的解析偏导 ∂x̂/∂x_j = Σ_r w̄_r · θ[r·(n+1)+j],其符号即调控方向。
# namespace SMRUCC.genomics.Analysis.FuzzyGene.Fitting
export class GeneRegulationModel {
# 是否因早停提前结束。
Converged: boolean;
# 该模型是否来自滞后(时序)路线。
IsLagged: boolean;
# 实际训练轮数。
Iterations: integer;
# 靶基因原始表达的均值(反标准化用)。
Mean: double;
# 推理内核(TSK 五层网络)。
Network: TskNetwork;
# 被剪掉的规则数量。
PrunedRuleCount: integer;
# 训练集决定系数。
R2: double;
# 输入变量(调控因子)名称,顺序即 GeneRegulationModel.Network 的输入顺序。
Regulators: string;
# 训练集均方根误差(z 空间)。
RMSE: double;
# 每条规则在训练集上的平均归一化触发强度。
RuleActivations: double;
# 规则数量。
RuleCount: integer;
# 训练行数(诊断用)。
SampleCount: integer;
# 靶基因原始表达的标准差(反标准化与 Z 分数用)。
Sd: double;
# 训练目标在 z 空间上的最大值(支持域上界)。
SupportMax: double;
# 训练目标在 z 空间上的最小值(支持域下界)。
SupportMin: double;
# 靶基因名称。
TargetGene: string;
# 训练过程中的降级/告警信息。
Warnings: string;
}
Network: TskNetwork