TU Berlin

Methoden der Künstlichen IntelligenzAndreas Ruttor

Inhalt des Dokuments

zur Navigation

Dr. Andreas Ruttor


Raum: MAR 4.019
Telefon: +49 30 314-23938
E-Mail: andreas.ruttor <AT> tu-berlin.de

Sprechstunde nach Vereinbarung


Andreas Ruttor
Geboren 1977

Akademische Laufbahn
Art der Tätigkeit
Diplom der Physik, Universität Würzburg

Wissenschaftlicher Mitarbeiter, Universität Würzburg, Fachgebiet Statistische Physik
Doktor der Physik, Universität Würzburg
seit 2007
Post-Doc, TU Berlin, Fachgebiet Künstliche Intelligenz


  • Stochastische dynamische Systeme (exakte und approximative Inferenz, Modellauswahl)
  • Statistische Lerntheorie (Gauss' Prozesse, neurale Netzwerke)
  • Statische Physik von komplexen Systemen
  • Anwendungsgebiete: Systembiologie, Datenanalyse, Kryptographie


Bayesian Inference for Models of Transcriptional Regulation Using Markov Chain Monte Carlo Sampling
Zitatschlüssel Stimberg:2011:BIM
Autor Florian Stimberg and Andreas Ruttor and Manfred Opper
Buchtitel Proceedings of the 8th International Workshop on Computational Systems Biology (WCSB)
Seiten 169–172
Jahr 2011
ISBN 978-952-15-2591-9, 978-952-15-2592-6
Adresse Zürich, Switzerland
Herausgeber Heinz Koeppl and Jugoslava Aćimović and Juha Kesseli and Tuomo Mäki-Marttunen and Antti Larjo and Olli Yli-Harja
Verlag Tampere University of Technology, Tampere, Finland
Serie TICSP series \# 57
Zusammenfassung The activity of transcription factors is often difficult to measure directly in micro-array experiments. An alternative approach is to infer these quantities from noisy expression data of the target genes. In this paper we present a Markov chain Monte Carlo sampler suitable for this task. The algorithm uses the full time series of available observations, so that the dynamics of the system state as well as transcriptional parameters can be estimated. Samples are generated either directly from conditional probability distributions or by means of Metropolis-Hastings steps. We test our method on toy data sets of different sizes and compare the result for a real data set of the yeast metabolic cycle with an existing approximation.
Link zur Publikation Download Bibtex Eintrag



Schnellnavigation zur Seite über Nummerneingabe