AMBIENT: Active Modules for Bipartite Networks--using high-throughput transcriptomic data to dissect metabolic response.
AMBIENT: Active Modules for Bipartite Networks--using high-throughput transcriptomic data to dissect metabolic response.
复制标题
环境：两分网络的主动模块 - 使用高通量转录组数据解剖代谢反应。
DOI：
10.1186/1752-0509-7-26
复制
发表时间：
2013-03-25
影响因子：
--
通讯作者：
Pinney JW
中科院分区：
文献类型：
--
作者：
Bryant WA;Sternberg MJ;Pinney JW
随着高通量生物实验的不断增多，迫切需要工具来整合产生的数据，从而得出具有生物学意义的结论。许多微阵列研究从通路角度分析了转录组数据，例如通过测试上调基因组中的 KEGG 通路富集度。然而，物种特异性代谢模型的不断增加提供了以更客观、全系统的方式分析这些数据的机会。在这里，我们介绍环境（二分网络的主动模块），这是一种模拟退火方法，用于发现受给定遗传或环境变化显着影响的代谢子网络（模块）。由环境返回的代谢模块是二分网络的连接部分，在条件之间连贯地变化，提供比基于途径富集的标准方法更详细的代谢变化视图。 ambient 是一种有效且灵活的工具，用于分析代谢环境中的高通量数据。相同的方法可以应用于任何可以根据某些生物学观察对反应（或代谢物）进行评分的系统，而不受预定义途径的限制。环境的 Python 实现可在 http://www.theosysbio.bio.ic.ac.uk/ambient 上找到。
With the continued proliferation of high-throughput biological experiments, there is a pressing need for tools to integrate the data produced in ways that produce biologically meaningful conclusions. Many microarray studies have analysed transcriptomic data from a pathway perspective, for instance by testing for KEGG pathway enrichment in sets of upregulated genes. However, the increasing availability of species-specific metabolic models provides the opportunity to analyse these data in a more objective, system-wide manner. Here we introduce ambient (Active Modules for Bipartite Networks), a simulated annealing approach to the discovery of metabolic subnetworks (modules) that are significantly affected by a given genetic or environmental change. The metabolic modules returned by ambient are connected parts of the bipartite network that change coherently between conditions, providing a more detailed view of metabolic changes than standard approaches based on pathway enrichment. ambient is an effective and flexible tool for the analysis of high-throughput data in a metabolic context. The same approach can be applied to any system in which reactions (or metabolites) can be assigned a score based on some biological observation, without the limitation of predefined pathways. A Python implementation of ambient is available at http://www.theosysbio.bio.ic.ac.uk/ambient.
登录
查看更多内容
影响因子：
14.9
作者：
Kanehisa M;Goto S;Sato Y;Furumichi M;Tanabe M
通讯作者：
Tanabe M
影响因子：
3
作者：
Breitling, R;Amtmann, A;Herzyk, P
通讯作者：
Herzyk, P
影响因子：
5.6
作者：
Croes, D;Couche, F;van Helden, J
通讯作者：
van Helden, J
DOI：
10.1093/bioinformatics/btq675
发表时间：
2011-02-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Smoot ME;Ono K;Ruscheinski J;Wang PL;Ideker T
通讯作者：
Ideker T
影响因子：
9.9
作者：
通讯作者：
--