Finding gene network topologies for given biological function with recurrent neural network.
Finding gene network topologies for given biological function with recurrent neural network.
复制标题
通过复发性神经网络找到给定生物学功能的基因网络拓扑。
DOI：
10.1038/s41467-021-23420-5
复制
发表时间：
2021-05-25
影响因子：
16.6
通讯作者：
Tang C
中科院分区：
文献类型：
--
作者：
Shen J;Liu F;Tu Y;Tang C
寻找执行某种功能的可能生化网络是系统生物学中的一个挑战。对于简单的功能和小型网络，这可以通过对网络拓扑空间的详尽搜索来实现。然而，很难将这种方法扩展到更大的网络和更复杂的功能。在这里，我们通过训练循环神经网络（RNN）来执行所需的功能来解决这个问题。通过开发一种系统的扰动方法来询问训练成功的 RNN，我们能够提取生物元素（基因、蛋白质等）之间的潜在调控网络。此外，我们还展示了几种情况，其中当 RNN 发现的调节网络的边缘由更现实的响应函数（例如希尔函数）表示时，它可以实现所需的生物学功能。该方法可以通过帮助揭示复杂任务的调节逻辑和网络拓扑来链接拓扑和功能。网络是描述细胞中分子之间相互作用的有用方法，但预测大型网络的真实拓扑结构可能具有挑战性。在这里，作者使用深度学习来预测执行生物学上合理功能的网络拓扑。
Searching for possible biochemical networks that perform a certain function is a challenge in systems biology. For simple functions and small networks, this can be achieved through an exhaustive search of the network topology space. However, it is difficult to scale this approach up to larger networks and more complex functions. Here we tackle this problem by training a recurrent neural network (RNN) to perform the desired function. By developing a systematic perturbative method to interrogate the successfully trained RNNs, we are able to distill the underlying regulatory network among the biological elements (genes, proteins, etc.). Furthermore, we show several cases where the regulation networks found by RNN can achieve the desired biological function when its edges are expressed by more realistic response functions, such as the Hill-function. This method can be used to link topology and function by helping uncover the regulation logic and network topology for complex tasks. Networks are useful ways to describe interactions between molecules in a cell, but predicting the real topology of large networks can be challenging. Here, the authors use deep learning to predict the topology of networks that perform biologically-plausible functions.
登录
查看更多内容
影响因子：
9.9
作者：
Jiménez A;Cotterell J;Munteanu A;Sharpe J
通讯作者：
Sharpe J
非相干输入增强了生物振荡器的鲁棒性。
影响因子：
9.3
作者：
Li Z;Liu S;Yang Q
通讯作者：
Yang Q
设计能够自组织细胞极化的合成调节网络。
影响因子：
64.5
作者：
Chau AH;Walter JM;Gerardin J;Tang C;Lim WA
通讯作者：
Lim WA
影响因子：
4.3
作者：
Hornung G;Barkai N
通讯作者：
Barkai N
影响因子：
7.8
作者：
HORNIK, K;STINCHCOMBE, M;WHITE, H
通讯作者：
WHITE, H