1.一种基于变分贝叶斯的基因调控网络结构辨识方法，其特征在于，具体步骤如下：

1)数据采集：从DREAM4平台的数据库中采集典型基因调控网络GRN的基因表达数据，获得采集数据；

2)构建模型：采用含有未知噪声的随机非线性状态空间模型来描述步骤1)中的采集数据中基因序列的表达过程；

3)模型参数估计：采用变分贝叶斯的方法对状态空间模型中的参数进行估计，并输出基因序列表达数据；

4)得到GRN结构：利用极端梯度提升XGBoost方法建立基因调控网络GRN的决策树模型，辨别基因间的相互作用关系，得到最终的基因调控网络GRN结构；

步骤2)中构建的随机非线性状态空间模型方法如下：式(1)中，x

则n基因中任一基因的随机非线性状态空间模型为：

2.如权利要求1所述的一种基于变分贝叶斯的基因调控网络结构辨识方法，其特征在于，步骤3)中采用变分贝叶斯的方法对状态空间模型中的参数进行估计，并输出基因序列表达数据，具体步骤如下：

3-1)定义非线性状态空间模型中参数：Ξ＝[C,G,y

3-2)通过变分贝叶斯的方法对随机非线性状态空间模型中的参数C、G、y

3.如权利要求2所述的一种基于变分贝叶斯的基因调控网络结构辨识方法，其特征在于，步骤3-1)中在给定观测数据下评估隐变量的后验分布P(Ξ|y基因表达的测量值y

ln p(y

式(4)中，q(Ξ)为任意概率密度函数；

将对数似然函数写成J+KL的形式：式(5)中，KL≥0，当且仅当q(Ξ)＝p(Ξ|y

4.如权利要求2所述的一种基于变分贝叶斯的基因调控网络结构辨识方法，其特征在于，步骤3-2)中通过变分贝叶斯的方法对随机非线性状态空间模型中的参数的具体步骤为：

3-2-1)用粒子平滑器更新q(x

3-2-1-1)对于具有状态空间模型的粒子滤波器，其状态的分布近似为：式(6)中，δ(·)为Dirac delta函数，w在t＝N时刻，x

3-2-1-2)分别计算w令t-1时刻的状态近似用式(7)表示，则t时刻的采样点表示为：且t时刻的权重相应表示为：在丢失数据点处，采用一个简单的预测方法来估计状态，则：式(9)中，权重w

令Θ＝[C,G,S,R,α]式(10)中，p(x

假设在t+1时刻，x

则，x

式(13)中，

3-2-1-3)令t＝t-1重复步骤3-2-1-2)，直到t＝1，完成x

3-2-2)更新q(G)：基于式(1)，第i个基因的表达过程表示为：式(15)中：

过程噪声w

式(17)中，r

假设在

式(18)中，α

则

式(19)中：

式(20)中，＜·＞代表了对于

3-2-3)更新q(r

基于式(15)和(18)，采用变分贝叶斯的方法，q(r式(21)中，＜·＞代表了对于

3-2-4)更新q(s

基于式(15)和(18)，采用变分贝叶斯的方法，q(s式(22)中，N

3-2-5)更新q(α)：基于式(15)和(18)，使用变分贝叶斯的方法，q(α)服从一个伽马分布：

3-2-6)采用步骤3-2-1)至步骤3-2-5)所述的方法更新模型参数Θ，用模型参数Θ的期望值更新网络模型，直到迭代次数最大。

5.如权利要求4所述的一种基于变分贝叶斯的基因调控网络结构辨识方法，其特征在于，步骤4)中得到最终的基因调控网络GRN结构，具体步骤如下：

4-1)基于式(15)所述的基因调控网络GRN的模型，为识别第i个基因的基因相互表达作用，用平滑的基因表达值去建立一个新的基因调控网络GRN模型：式(24)中，XGBoost方法为GRN推断提供了一个增强型决策树模型，则m棵树的目标函数为：式(25)中，L是损失函数，T采用采用贪婪算法优化目标函数，则将一片叶子分为两片叶的标准为：式(26)中，G

则采用第m颗树的重要性得分去评价给定基因与其他基因之间的调控关系被计算为：式(27)中，

则，第j个基因的重要性总体得分表示为：式(28)中，N

4-2)基于步骤4-1)所得的重要性总体得分，对第i个基因与其他基因之间的调控关系进行排序，并通过选择w