Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Bayes statisztika és Bayes hálók az asztma/allergia kutatásban
Antal PéterBME
Méréstechnika és Információs Rendszerek TanszékMesterséges Intelligencia Csoport
Tartalom• Bayes hálók (grafikus modellek)
– Kronológia– Az általános Bayes hálós modell– Értelmezési szintek– Bayes hálók tanulása
• Bayes statisztika• Bayes hálók és Bayes statisztika orvosbiológiai kutatásban
– Genetikai asszociációs kísérletek– Fúziós kihívások
• Eddigi alkalmazások asthma/allergia kutatásban
Bayes-*• Thomas Bayes (c. 1702 – April 17, 1761),
brit matematikus és presbiteriánus lelkész
• Bayes tétel• Bayes statisztika• Bayesi döntéselmélet • Bayes hálók• Bayes faktor• Bayes hiba• Bayes rizikó• Bayes döntés• Bayes becslő• ...
Pathology
RS555835
nem
Kor
RS2513081
RS2509961REVRS7118247
RS528823
RS2302360REV
RS540170REVRS646924
RS607639REV
RS7127662
RS2847204
RS1567083REV
RS525574
RS7925087
RS2074422
RS488483
RS7935803
RS2259606
RS7928208REV
RS2237997
RS11827029
RS11231128REV
RS2233253
RS954237
RS2905506
RS563748
RS10792269REV
RS12792791REV
RS7935186
RS2298559
RS2298553
RS569108
RS514524
RS4939426
RS4939353REV
RS3829247
RS1144744
RS586571REV
RS4939452
RS708498
RS3759666
RS751026
RS17197
RS2273431
RS1307289
RS1254600RS12419635
RS7941395
RS2340943
RS2277494
RS1051069
RS3763840
RS8013756
RS1032936
RS1254601
RS7145029
RS10498475
RS17126074
RS8004624RS4898762
RS735265
RS6572868
RS3825596
RS17127622
RS762063
RS12889199
RS17253619
RS2357947
RS11622740
RS984050
RS946615
RS2277495
RS3751464
RS17127595
RS3765088
RS1695
RS4901200
RS7150275
RS10141001
RS3794042
RS1874569
RS2509712
RS7149810
RS3742536
RS17694496
RS1201378
RS803012
RS708502
RS1209087
RS17125273
RS1565970
RS1957844
RS17666653
RS17128136
RS12587410
RS17831682
RS17666689
RS708486
RS9671722
RS1953861
RS10144326
RS17831675RS1993839
)],([ˆ)|,( SfEff DataSp θθ=≈
)()|()|( ModelpModelDatapDataModelp ∝
Történeti áttekintés• [1921]: S. Wright’s diagrams, „Correlation and causation”• [1970] The first (medical) applications (Dombal).• [1979] The axiomatization of independencies (Dawid)• [1982] The decomposition of a distribution (Lauritzen).• [1988] Representation of independencies (Pearl).• [1988] Inference methods in polytrees (Pearl).• [1989] Exact general inference methods (Lauritzen).• [1990] Closed form for the structure posterior (Cooper,
Herskovits)• [1995] Bayesian inference over BNs (Madigan)• [1998] Bayesian inference about causation (Heckerman)• [2000] Bayesian inference about relevance (Friedman)• [2000] J.Pearl: Causality, Cambridge University Press• …..
Bayes tétel
)()|()|( ModelpModelDatapDataModelp ∝
∑==
XXpXYp
XpXYpYp
XpXYpYXp)()|(
)()|()(
)()|()|(
Egy algebrai trivialitás
Egy tudománytörténeti paradigmaváltás
És pszichológiai konzekvenciák, megerősítés
P(betegség|tünet)=??? p(tünet|betegség)=0.79p(betegség)=0.12
Bayes tételtől a Bayes hálókig:Naív/idióta Bayes háló
Változók: Asthma-stádium (St), Légzésfunkció(LF), TünetGyakoriság (Gy), TünetSúlyosság (S), ÉjszakaiTünet (É), FizikaiTerhelés (F), Hallgatózási eltérés (H)
Stádium
LégzésFunkció Gyakoriság Súlyosság HallgatózásÉjszakai Fizikai
P(H|St)P(F|St)P(É|St)P(S|St)P(Gy|St)P(LF|St)
P(St)Model
Diagnosztika
∏=
∝
ii StTünetpStp
StHpStFpStÉpStSpStGypStLFpStp
HFÉSGyLFStp
.)|()()|()|()|()|()|()|()(
),,,,,|(
Pathfinder• Pathfinder system. (Heckerman, Probabilistic Similarity• Networks, MIT Press, Cambridge MA).• • Diagnostic system for lymph-node diseases.• • 60 diseases and 100 symptoms and test-results.• • 14,000 probabilities.• • Expert consulted to make net.• • 8 hours to determine variables.• • 35 hours for net topology.• • 40 hours for probability table values.• • Apparently, the experts found it quite easy to invent the causal
links and probabilities.• Pathfinder is now outperforming the world experts in diagnosis.
Being extended to several dozen other medical domains.
És még egy model
Bayes háló értelmezési szintek
• Együttes eloszlás hatékony reprezentálása– Hatékony következtetés és tanulás
• Függetlenségi állítások reprezentálása– Direkt függések
• Oksági modell reprezentálása– „A csomópontok változók,– Az élek direkt, okozati relációk”
Eloszlások faktorizációja
• Általános ( Markov hálók)– Potenciálok
• Speciális ( Bayes hálók)– Feltételes eloszlások
∏=
∝Lj
jjjn jLXXXXp
,..,11 ),...,(),,(
1ϕK
∏
∏
=
=−
=
=
niii
niiin
XPaXp
XXXpXXp
,..,1
,..,1111
))(|(
),,|(),,( KK
Eloszlások függetlenségeinek gráfos reprezentálása
• Jelölje Ip(X|Z|Y), hogy X,Y függetlenek Z feltétellel p eloszlásban
• Az Mp függetlenségi modell tartalmazza az összes p-beli függetlenségi állítást
• Kérdések– Lehet-e minden Mp-t egy gráffal reprezentálni? (nem)– Pontosan melyiket lehet? (nem ismert)– Mi a legjobb „közelítés”? (problémafüggő)
„A valószínűségszámítás nem a számokról szól”
Gráffal nem reprezentálhatóeloszlások/függetlenségi modellek• Intranzitív függés (pl. X és Z lehet független)
• Alsóbbrendű függetlenségből nem következik magasabbrendű
(X,Z)-tól együtt függhet Y, mégha páronként független is
X Y Z
X
Y
Z
A függetlenségi modell vs gráfok II.
• Jó hírek:– Véges karakterizáció egzakt Markov hálós
reprezentációra– D-elválasztottság helyes és teljes kalkulus
• Sejtések– Nincs véges karakterizáció egzakt Bayes hálós
reprezentációra• Rossz hírek
– Léteznek egzakt módon nem reprezentálhatóeloszlások (sem Markov, sem Bayes hálókkal)
– A reprezentáció redundáns oksági értelmezés???
Principles of causality• strong association,• X precedes temporally Y,• plausible explanation without alternative explanations,• necessity (generally: if cause is removed, effect is
decreased or actually: y would not have been occurred with that much probability if x had not been present),
• sufficiency (generally: if exposure to cause is increased, effect is increased or actually: y would have been occurred with larger probability if x had been present).
Függetlenségi vs. oksági modellBAJ: egy függetlenségi modellhez több
Bayes háló is tartozhat
X Z Y
p(X),p(Z|X),p(Y|Z)
X Z Y
p(X|Z),p(Z|Y),p(Y)
X Z Y
p(X|Z),p(Z),p(Y|Z)
“tranzitív” M ≠ „intranzitív” MX Z Y
p(X),p(Z|X,Y),p(Y)
„Az idő nyíl”‘v-struktúra’
Oksági Bayes hálók„Correlation≠causation”, „no cause in, no cause out”
„Csak oksági kapcsolatok” feltevés: több változó esetén bizonyos élek egyértelműek
Több változó esetén bizonyos esetekben még rejtett változók is kizárhatók
KONKLÚZIÓ1: tabula rasa oksági következtetés lehetséges• K2: oksági következtetések spektruma a tárgyterület független feltevések
függvényében– Csak oksági relációk– Rejtett változók– Modell minimalitás– Változószám
„Az okozatiság matematizálása”„a statisztikai idő iránya”
E
X
Y
ZZ?
*?
???
Feladatok Bayes hálóknál• (Passzív megfigyeléses) következtetés
– P(Cél-változók|Megfigyelt-változók) – Legvalószínűbb értékkonfiguráció
• Beavatkozásos következtetés– P(Cél-változók|Megfigyelt-változók, Beállított-változók)
• Kontrafaktuális következtetés– P(Cél-változók|Megfigyelt-változók, Átállított-változók)
• Döntési háló, hasznosság és beavatkozási változók– További információ értéke– Maximális hasznú döntés
• Paraméter tanulás• Struktúra tanulás
– BNET 1995-
Bayes hálók tanulása• Hipotézisteszteléssel
– Függetlenségi tesztek diktálják a hálót• Bayes statisztika esetén
)()|()|( ModelpModelDatapDataModelp ∝
-14
-12
-10
-8
-6
-4
-2
0
2
4
1 3 5 7 9 11 13 15 17 19best+75->Abest+10->Abest+79->Abest+75,10->Abest+ALLSNP->A75->79empty
-120
-100
-80
-60
-40
-20
0
20
1 13 25 37 49 61 73 85 97 109 121 133 best+75->Abest+10->Abest+79->Abest+75,10->Abest+ALLSNP->A75->79empty
Változók: SNP75, SNP10,SNP79, Asthma („best model”: 79<-75->10)
Bayes háló tulajdonságok• Ötlet: hipotézisek, mint Bayes háló jegyek• Ötlet2: (modellalapú) posterior a hipotézisekre
• Génregularizációs kísérletben– Páronkénti oksági kapcsolatok: független, közös ok, oksági
kapcsolat (direkt/indirekt)• Asszociációs kísérletben
– Relevancia???
)](1[
)(1)|()|(
)|( benmigazgTulajdonsáE
benmigazgTulajdonsáDatampDatadonságModelTulajp
Datamp
m
−−−=
−−−=∑
Feature learning
Feature posterior
• Goal: approximate the full-scale summation(integral)
• Practical methods: MCMC (Markov ChainMonte Carlo) sampling
∑ ===
fFG G GPfFP:
)()(
Y
A kapcsolt BN jegyek relevanciára– Markov Blanket (sub)Graphs (MBGs)
(1) parents of the node(2) its children(3) parents of the childrenMarkov Blanket Sets (MBs)• the set of nodes which
probabilistically isolate the target from the restof the model
– Markov Blanket Membership (MBM)• pairwise relationship
Kapcsolt, eltérő absztrakciós szintűhipotézisosztályok
• Az asszociációs tanulmányok kérdései Bayes hálók strukturális jegyeivel formalizálhatók – Páronkénti asszociáció: Markov Blanket Memberhsips
(MBM)– Többváltozós/multifaktoriális asszociáció: Markov Blanket
sets (MB)– Multifaktoriális asszociáció interakciókkal: Markov Blanket
Subgraphs (MBG, C-RPDAG)– Teljes interakciós modell: Részlegesen irányított Bayes
háló (PDAG) – Teljes oksági modell:Bayes háló (BN)
• Kapcsolt, absztrakciós szinteket alkotnak ezek az asszociációs (feltételes) jegyek– DAG=>PDAG=>MBG=>C-RPDAG=>MB=>MBM
Adatoktól az orvosbiológiai ígéretekig
• Populációs adatok (családfa)
• Klinikai adatok• Genetikai profil
– Egyed– Szövet
• Genomikai profil– Gén-expressziós
profil– mikroRNS profil
• Proteomikai profil
• Személyre szabott– prevenció– szűrés– diagnosztika– gyógyszer– kezelés
• (Nép)betegségek– „biológiai” szintű
megértése – kezelése– Pl. malária, TBC,
asztma, allergia, csontritkulás, elhízás,...
Statisztikai adatelemzés
Bioinformatika
Tudásmérnökség
Rendszermodellek•Génregularizációs hálók•Útvonal elemzés•Modell alapú gyógyszertervezés
Bioinformatika: tudás és adat fúzió
PubMedGene OntologyHAPMAP
dbSNP
TRANSFAC……..PreMod
miRDB
Ingenuity*
KEGGOMIM
Nagy áteresztőképességűmolekuláris biológiai mérések
•DNS chip•(mikroRNS chip)•CGH chip•SNP chip
……
Gén ExpresszióGén Expresszió
mikroRNS expressziómikroRNS expresszió
Comparative Genome HybridizationComparative Genome Hybridization
Egy nukleotidos polimorfizmusEgy nukleotidos polimorfizmus
Komplex, hierarchikus,tudásgazdag hipotézisek•Asszociációk•Multifaktoriális interakciók•Okozati relációk•Alrendszerek, rendszerek
Nagy dimenziójú adatok Nagy mennyiségű, elektronikus tudásKörnyezeti változók
Fenotipusos (klinikai) változók
Tudásmérnöki trendek (fúzióhoz)
• Szabadszöveges tudástárak– Pl. Pubmed 15 millió absztrakt– Cikk állítása formálisan
• Szemi-formális tudásbázisok• Elektronikus ontológiák, taxonómiák
– UMLS, MeSH, Gene Ontology, MGED ontológia, SNP ontológia
• Formális tudásbázisok• Valószínűségi tudásmodellek/logikák• Szemantikus világháló• Annotált, integrált adatbázisok• Annotált, integrált web-szolgáltatások
Tudásreprezen-
táció
létezés
következtésszámítás
közlé
s
helyettesítés
TudTudáásmsméérnrnööki feladatok: ki feladatok: ••reprezentreprezentáácicióó, , ••kinyerkinyeréés,s,••kköövetkeztetvetkeztetéés,s,••fenntartfenntartááss
Elektronikus, hatalmas mennyiségű, egységesített, valószínűségi,empirikusan lehorgonyzott, formálisan reprezentált tudás
Enciklopédisták (D.Diderot)Logikai pozitivizmus/empirizmus (R. Carnap ) “World Brain” (H.G.Wells,1938)
Indukciós trendek (fúzióhoz)• Statisztikai, számításelméleti tanulási elméletek
– Nem-parametrikus konzisztencia eredmények– Nem-aszimptotikus konvergencia eredmények– ...
• Bayes statisztika– Markov Lánc Monte Carlo módszerek (MCMC)– Hibrid/Hierarchikus/Kapcsolt/... MCMC-ek– ..
• Oksági következtetés– Oksági kapcsolatok indukciója passzív megfigyelésekből– Oksági kapcsolatok formalizálása (kauzális Bayes hálókkal/
strukturális egyenletekkel)– Megfigyelések és beavatkozások tervezhetősége (kiváltása)– (Beavatkozások hatásának valószínűségi modellezése– Kontrafaktuális következtetések)
W.OckhamW.OckhamD.HumeD.HumeK.R.PopperK.R.Popper
T.BayesT.BayesP.LaplaceP.Laplace
D.HumeD.HumeH.ReichenbachH.Reichenbach
• Genome-wide association studies (GWASs)– Sample size: ~1000– |Response/outcome (target) variables|: ~10– Predictor/explanatory:
• |SNPs| (nominal/numeric, unphased genotype): ~105, 106
• |Environmental variables|: ~10– Cost: 1000x1000 Euro
• Partial genome screening studies (PGSSs)– Sample size: ~1000– |Response/outcome (target) variables|: ~10– Predictor/explanatory:
• |SNPs| (nominal/numeric, unphased genotype): ~102
• |Environmental variables|: ~10– Cost: 10000 Euro
• The goal is the exploration of…– the relevance of explanatory variables w.r.t. the
target variables– the interdependence of explanatory variables
Genetic Association Studies (GAS): a statistical view
The genomic background of asthma
SU/DGCI: András Falus, Csaba Szalai, Ildikó UngváriSample size: 1100SNPs: 46 (150)Clinical variables 4 (10)
Literature
Expertise
Clinical data
Genetic (SNP)data
Pairwise association
Multivariable analysis
Multivariable analysis with interactions
Complete dependency models
Complete causal models:
Overview (SNP)
LocalizationdbSNP, HAPMAP, Gene Ontology,
TRANSFAC, PreMod, miRDB, KEGGHaplotype prediction
Vocabularyconstruction
Earlier data sets
Document corpus
collection
Logical filters
for SNPsRankingmodels
for SNPs
DecisionNetworks
for sets of SNPs
Study design Data analysis
Privateknowledge
bases
Genomic data withphenotypic and environmental variables
Measurement
Expert
Missing data management
Relevance(association)
analysis
BayesianData
Analysis
Causal inference
Classicalanalysis
System(Network)analysis
Predictivemodels
Knowledge-rich interpretationof Bayesiandata analysis
Cross-compared classical and Bayesian
data analysis
Textmining
Priors for study design
Priors for data analysis
Priors for interpretation,
evaluation
An overview of results
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
HWE
ODDS
ARM
LRCO
LRCAT
MBM
MBS-1
MBS-2
MBS-3
Relevance: HI
Relevance: MED
Relevance: LO
Irrelevant0.01
SNP identifiers
Prob
abili
ty o
f rel
evan
ce o
f SN
Ps
HWE – Hardy-Weinberg equilibrium test, ODDS – odds ratio, ARM – Cochran-Armitage trend test, LRCO – logistic regression (continuous case), LRCAT – logistic regression (categorical case), MBM –Bayesian pairwise relevance, MBS-1–9 relevant sets by Bayesian analysis. (only MBM values are numeric, others are arbitrary values for visualization)
Uncertainty/sample complexity in multivariate analysis?
0.00E+000
5.00E-002
1.00E-001
1.50E-001
2.00E-001
2.50E-001
3.00E-001
3.50E-001
0 10 20 30Rank(MBS)
p(M
BS
|D) Posterior
Approximation
Lessons from the applications of the BMLA
• High-level of uncertainty in multivariate analysis• There are stable sub-parts (e.g., subset, subgraphs)• Results for target variables and for certain SNPs could be
aggregatedThe peakness of the posteriors of the most probable MB sets and their MBM-based approximations.(46 variables, 1000 samples)
0
2
4
6
8
10
12
14
16
18
20
0 1000 2000 3000 4000 5000
Sample size
En
tro
py MBM
MBS
MBG
“Sample complexity” for FSS
The summed entropies of the p(MBM(Y,Xi,G)|D) posteriors, and the entropy of the MBS and MBG posteriors for the artificial model (with 7+1 variables).
0.00E+000
2.00E-001
4.00E-001
6.00E-001
8.00E-001
1.00E+000
1.20E+000
200
500
1000
2000
5000
1000
0
2000
0
Sample size
Po
ste
rio
rso
fM
Bse
ts,p
(MB
S|D
)
S200
S500
S1000
S2000
S5000
The sequential posteriors of relevant MB sets for the model with 50 variables.
Scalable multivariate analysis
0.00E+0001.00E-0012.00E-0013.00E-0014.00E-0015.00E-0016.00E-0017.00E-0018.00E-0019.00E-001
1.00E+000
Alle
rgy
SNP5
, Alle
rgy
SNP7
, SN
P5, A
llerg
y
SNP7
, SN
P5, A
llerg
y, G
ende
r
SNP7
, SN
P14,
SN
P5, A
llerg
y, G
ende
r
SNP7
, SN
P14,
SN
P5, S
NP1
2, A
llerg
y,G
ende
r
SNP9
, SN
P7, S
NP1
4, S
NP5
, SN
P12,
Alle
rgy,
Gen
der
SNP9
, SN
P7, S
NP1
0, S
NP1
4, S
NP5
,SN
P12,
Alle
rgy,
Gen
der
SNP9
, SN
P7, S
NP1
4, S
NP3
, SN
P4,
SNP5
, SN
P12,
Alle
rgy,
Gen
der
SNP9
, SN
P7, S
NP1
0, S
NP1
4, S
NP3
,SN
P4, S
NP5
, SN
P12,
Alle
rgy,
Gen
der
SNP9
, SN
P7, S
NP1
0, S
NP1
4, S
NP1
7,SN
P3, S
NP4
, SN
P5, S
NP1
2, A
llerg
y,G
ende
rSN
P9, S
NP7
, SN
P10,
SN
P6, S
NP1
4,SN
P8, S
NP3
, SN
P4, S
NP5
, SN
P12,
Alle
rgy,
Gen
der
SNP9
, SN
P7, S
NP1
0, S
NP6
, SN
P14,
SNP1
7, S
NP8
, SN
P3, S
NP4
, SN
P5,
SNP1
2, A
llerg
y, G
ende
rSN
P2, S
NP2
2, S
NP7
, SN
P10,
SN
P6,
SNP1
4, S
NP8
, SN
P3, S
NP4
, SN
P31,
SNP5
, SN
P12,
Alle
rgy,
Gen
der
SNP2
, SN
P22,
SN
P7, S
NP1
0, S
NP6
,SN
P14,
SN
P8, S
NP1
1, S
NP3
, SN
P4,
SNP3
1, S
NP5
, SN
P12,
Alle
rgy,
Gen
der
[SN
P9, S
NP7
, SN
P10,
SN
P14,
SN
P5,
SNP1
2, A
llerg
y, G
ende
r]
Problem: the “polynomial”gap between simple and complex features(e.g., MBM (n2) and MBS (2n))
Idea: If all Xi in set S with size k are members of a Markov Boundary set, then S is called a k-ary Markov Boundary subset (O(nk)).
)|)(:( NDGMBSXGp ⊆
The maximal posteriors for k-relevance/k-MBS for Asthma.
SNP-to-gene aggregation
Abstraction levels: SNP, haplo-block, gene,..., pathway
Note that it is different from aggregated multi-variables.
0
0.2
0.4
0.6
0.8
1
0 1000 2000 3000 4000 5000
Sample size
Po
ste
rio
rp
rob
ab
ility
of
rele
va
nce
Gene-1
Gene-2
Gene-3
Gene-4
Gene-5
Gene-6
Gene-7
Gene-8
The sequential posteriors that a given gene contains a SNP relevant for asthma
Joint analysis for multiple targets
0.00E+0002.00E-0014.00E-0016.00E-0018.00E-0011.00E+000
SNP5SNP7
GenderSNP14
SNP10SNP12
SNP9SNP4
SNP3SNP31
SNP2SNP8
SNP17SNP15
SNP6SNP38
SNP23SNP11
SNP16SNP22
MB
M p
oste
riors
for v
ario
us
targ
ets
All (measured)All (approximated)AsthmaAllergyRhinitis
Targets (Outcome): Asthma, Allergy, Rhinitis
The MBM posteriors that a SNP is relevant for asthma, allergy and rhinitis, both separately and jointly.
Note that it cannot be done off-line (contrary to k-MBS/k-MBG and feature aggregation).
Redundancy and interaction
0.00E+000
2.00E-001
4.00E-001
6.00E-001
8.00E-001
1.00E+000
SNP3,SNP4,
SNP2,SNP31,
SNP6,SNP8,
SNP7,Allergy,
SNP14,Allergy,
SNP12,Allergy,
SNP2,SNP9,
SNP9,SNP31,
Absolute differenceMBM-based approximation2-MBS estimation
The quantification of interaction and redundancy by the decomposability of the posterior.Single measure (instead of many Bayes factors).
)|)(:()|)(:(?
)|)(,:(
NjNi
Nji
DGMBSXGpDGBSXGp
DGMBSXXGp
∈∈
⊆
Conditional (and contextual) relevance
Asthma
SNP3
SNP4
SNP31
SNP27
SNP5
Allergy
SNP9
GenderSNP7
SNP46Rhinitis
The maximimum a posterior Markov Blanket subgraph
Fusion using probabilistic logic
• multivariate Bayesian data analysis,• the use of more powerful logic for representing knowledge,• uncertainty management in knowledge representation, induction, and inference,
syntactic semantics: )(),|provable is ()|(pKB
pKBplKBpKBPKBP ∑= φφ
Probabilistic knowledge bases and world-wide web
Data-1 Data-n
KB-1
Literature
Web
KB-n
GO,IngenuityPharmKB,……
Domain-specific knowledge
Text-mining
Web-mining
Kernels
Kernels Posteriors
ExplanationgenerationQuery answering
. . . . .
.
.
.
Discovery
Inductive knowledge
)(),,|provable is ()|(pKB
pKBpkKBlKBpKBPKBP ∑= φφ
Chemoinformatics
Fingerprinting
Mol.docking,
..miningSNP effe
cts
Diákok, kollégák• Végzett diákok
– Ercsényi Dániel: Bayes hálók strukturális tulajdonságainak vizsgálata MCMC módszerekkel (2005)– Gézsi András: Monte Carlo módszerek Bayes hálók komplex strukturális jegyeinek következtetésére
(2006)– Barna Gergely: Bayes-hálók dekomponált tanulása a priori tudás felhasználásával (2005)– Szabadka Zoltán (Grolmusz Vince): Fehérje-kismolekula kölcsönhatások vizsgálata molekuláris
dokkolással (2006)– Iván Gábor(Grolmusz Vince): Protein-ligand komplexek kötőhelyeinek vizsgálata adatbányászati
algoritmusokkal (2006)– Orbán György: Kontextuális függések szerepe Bayes hálók tanulásában (2006)– Rohla Tibor: Monte Carlo módszerek Bayes hálók egyszerű strukturális jegyeinek következtetésére
(2007)– Palotai Robin (Csermely Péter): Modulkeresés, klaszterezés fehérje-fehérje hálózatokban– Temesi Gergely (Falus András): Információ menedzsment és intelligens adatelemzés az SNP analízis
támogatására– Gergely Balázs: Statisztikus szövegbányászat
• Jelenlegi diplomázó, orvosbio. másoddiplomázó, és doktorandusz diákok– Millinghoffer András: A first-order probabilistic logic for fusing data and prior knowledge – Hullám Gábor: Valószínűségi tudásmodellek tanulása– Hajós Gergely: Döntéstámogató keretrendszer SNP asszociációs kísérletek tervezéséhez– Kecskeméthy Péter (Oxford): Bayesi relevancia elemzés feltételes modellekkel– Huszár Ferenc: nem-parametrikus Bayesi modellek a kognitív pszichológiában– Erdélyi Boróka: Bayesi logisztikus regresszió– Szabados Péter: orvosbiológiai tudásbázisok– Arany Ádám: Bayesi térszerkezet predikció
Köszönöm a figyelmet!