Сравнение моделей

Таблица 6

Сравнение линейных моделей с разными методами сглаживания

Рисунок 13. Лучший результат для трех моделей

SSE (Sum of Squared Error) - суммарное квадратичное отклонение

Рисунок 14. Худший результат для трех моделей

SSE (Sum of Squared Error) - суммарное квадратичное отклонение

Далее будем изучать работу ядра с параметрами 8,15, “коридорного” сплайна с погрешность 0.01 и сплайна с постоянным весом. Ясно, что имеет смысл сравнивать модели только на тех генах-мишенях, выбор регуляторов для которых совпал у различных моделей.

Стохастическая модель несет в себе больше биологического смысла за счет моделирования процесса транскрипции с помощью сигма-функции, учитывающей процесс насыщения (т.е. с начиная с какого-то момента увеличение уровня экспрессии регулятора больше не влияет на уровень экспрессии гена-мишени) и добавленной случайной погрешности, которая в эксперименте неизбежна. Кроме того, стохастическая модель требует значительно меньше времени на построение. Однако серьезным недостатком является значительная потеря точности при дискретизации модели, как видно из таблиц 6 и 7, точность стохастической модели хуже, чем у линейной при сглаживании ядром. В таблице 7 приведены результаты для 6 лучших приближений с помощью линейной модели (среди всех случаев, когда 3 варианта реализации выбирали один и тот же регулятор) В приложении 2 на рисунках П2.1-П2.6 приведены соответствующие графики. Видно, что в некоторых случаях стохастическая модель выбирает тот же регулятор, что и линейная, однако чаще они различны и слабо коррелированны.

Таблица 7

Суммарные квадратичные ошибки и AIC для линейных и стохастических моделей регуляции генов