【図1】本発明の対象に係る学習エンジンの例示的概略図である。

【図2】図２Ａは、本発明の対象に係る因子のグラフ構造の例示的概略図である。図２Ｂは、転写、翻訳、および活性ノードの代替的な調節モデルを表す。

【図3】図３Ａは、ＴＣＧＡコホート全体を通して学習された各相互作用のＷＰＭＩベクターの主成分分析法（ＰＣＡ）の例示的なグラフである。図３Ｂは、本経路の活性および阻害としてラベル化した重要なリンクのクラスターメンバーシップを例示する。図３Ｃは、クラスターの質量中心のＷＰＭＩ値のヒートマップであり、強力な阻害から強力な活性までの範囲を示す。

【図4】図４Ａおよび４Ｂは、有益（ｉｎｆｏｒｍａｔｉｖｅ）（４Ａ）および平坦な（４Ｂ）初期化の下、重要なリンクのＷＰＭＩ値のクラスターメンバーシップのバーのプロットを示す。

【図5】図５Ａは、完全な条件付き確率を学習する各ＥＭステップの実行時に以下の試験を失敗する固有の子ノードのパーセンテージを表す例示的なグラフである。図５Ｂは、コヒーレント対インコヒーレントの三つの組の例示的な概略例である。

【図6】図６Ａ〜６Ｃは、異なる解析方法を使用した経路解析のカプラン・マイヤーの生存曲線を表す例示的なグラフである。

【図7】図７は、Ｇ−スコアランクのヒートマップの例示的に表す。

【図8A】図８Ａ〜８Ｂは、ＰＰＡＲＡ−ＲＸＲＡおよびＴＡｐ７３ａからの活性化リンクの組織により分類されるＷＰＭＩシグナルを表す例示的な箱ひげ図である。

【図8B】図８Ａ〜８Ｂは、ＰＰＡＲＡ−ＲＸＲＡおよびＴＡｐ７３ａからの活性化リンクの組織により分類されるＷＰＭＩシグナルを表す例示的な箱ひげ図である。