时变因果网络学习算法及其在生物网络重构中的应用研究

时变因果网络学习是网络分析的统计学习方法研究领域的前沿问题。本项目以基于时间序列测量数据的时变因果生物网络重构为背景，针对时变因果网络学习中的网络模型、学习算法和实际应用展开研究。网络模型部分主要建立时变条件下时域和频域上的因果推断模型和网络的时变特性描述模型。学习算法部分，一方面提出与参数估计过程集成的基于聚类的"降维"方法实现问题的约简，另一方面研究将模型求解问题转化为成熟的规划问题的方法实现模型的快速求解。应用中主要研究拟南芥基因表达数据和人际交往行为中大脑fMRI数据中的时变基因网络和时变大脑功能网络学习问题。三个部分的研究内容紧密相连，模型和算法研究对应用研究提供指导，应用研究为模型和算法研究提供背景。课题研究成果不仅能够加深对网络结构统计学习基本理论的认识，对于解决实际中许多应用问题也有重要指导意义。

时变因果网络学习是指通过网络节点状态测量的时间序列数据推断网络节点之间的相互影响关系，其理论研究可以促进统计学习理论和方法的发展，其在经济、环境、生物等复杂系统的应用研究也具有重要理论意义和实用价值。本项目对时变因果网络学习理论和算法进行了研究，并重点开展了脑功能网络应用研究，主要有以下四点学术贡献：1）推广了经典格兰杰因果分析到异方差时间序列，在时域和频域上提出了时变波动序列的格兰杰因果网络模型及其学习算法，应用研究发现了至上而下的注意力对味觉回路工作模式的调控作用；2）针对脑功能网络的时空特性，建立了一种新的时空格兰杰因果分析框架，为脑功能网络中的信息流追踪提供了有效的统计工具；3）时变因果网络分析方法重构大脑中的诚实网络和策略欺骗网络，揭示了人类社交行为多样性的脑功能网络动态组织基础；4）在工作记忆任务中，利用时变因果网络分析方法发现精神分裂症患者的默认网络和注意力网络相互作用异常，揭示了精神分裂症工作记忆障碍的影像学基础。除上述重要进展外，本项目还研究了蛋白质相互作用接触面的氨基酸网络统计建模方法，揭示了氨基酸的不同物理化学特性在蛋白质接触面的相互约束，为下一步研究脑功能网络与蛋白质网络的关联研究奠定基础。本项目发展的时变因果网络学习算法均已公开提供软件工具包，供研究人员免费使用。本项目的研究成果表明，时变因果网络为解码大脑工作机制提供了重要的统计学工具。结合fMRI等实验，本项目已经在注意力对味觉回路的调控、注意力与默认网络相互作用等方面取得了初步成果，可以期望本项目提出的时变因果网络模型和算法，将在更多的脑功能网络工作机制研究中发挥作用。