AbstractsBiology & Animal Science

Abstract

Netwerken vormen een handig instrument bij het visualiseren van systemen bestaand uit elementen die onderling interactie aangaan. Genregulatienetwerken, bijvoorbeeld, zijn complexe systemen die bestaan uit genen, eiwitten en andere moleculen. De elementen van een dergelijk systeem worden weergegeven door knooppunten, die door lijnen worden verbonden op het moment dat de bijbehorende elementen met elkaar in interactie zijn. In veel wetenschappelijke disciplines vormt het blootleggen van de structuur van een netwerk een belangrijk en ingewikkeld probleem. Vaak is er weinig bekend over een systeem en moet men uitgaan van meetgegevens uit knooppunten om een inschatting te kunnen maken van de structuur van het bijbehorende netwerk. Deze meetgegevens zijn echter aan ruis onderhevig. Wanneer de structuur van de interacties bekend is, staan we voor een andere uitdaging: of het nou gaat om het beschrijving van bruggen die een hevige wind moeten weerstaan of om de verspreiding van een infectieziekte, de vraag is hoe we op basis van dezelfde aan ruis onderhevige data kunnen bepalen hoe de fijne dynamica van het systeem in elkaar zit. In dit proefschrift stellen we enkele aanpassingen voor op bestaande methodes, om het schatten van de structuur van en interacties binnen netwerken en dynamische systemen te verbeteren. Enkele toepassingen van de methodes die we ontwikkelen zijn: het voorspellen van het aantal individuen dat tijdens de kindertijd mazelen krijgt, en inferentie van de interactie tussen genen en eiwitten in de E. colibacterie.; Networks provide a simple way to visualize a system of interacting elements. For example, gene regulatory networks are complex systems whose elements are genes, proteins and other molecules. The elements of this system are represented by nodes and lines are drawn between them if they interact with each other. In many sciences uncovering the network structure is an important and difficult problem. With a limited knowledge about the system noisy measurements on the nodes should be used to estimate the network. When we know the structure of the interactions, another major obstacle is to learn the fine dynamics of the system using the same noisy data, from describing bridges subject to strong winds to the spread of an infectious disease. In this thesis we propose modifications of existing methods to improve the estimation of networks and dynamical systems. Some applications of methods we develop include: predicting the number of individuals that get infected by childhood disease measles, reconstructing transcription factor activities in streptomyces coelicolor bacterium, and inferring the interaction between genes and proteins in Escherichia coli bacterium.