Inferring nonlinear gene regulatory networks from gene expression data based on distance correlation.
Inferring nonlinear gene regulatory networks from gene expression data based on distance correlation.
复制标题
基于距离相关性从基因表达数据中推断出非线性基因调节网络。
DOI：
10.1371/journal.pone.0087446
复制
发表时间：
2014
期刊：
影响因子：
3.7
通讯作者：
Wang X
中科院分区：
文献类型：
--
作者：
Guo X;Zhang Y;Hu W;Tan H;Wang X
在基因调控网络的调控机制中，非线性依赖是普遍存在的。正确测量或测试真实数据的非线性依赖性对于重建grn和理解细胞系统内复杂的调控机制至关重要。最近发展起来的一种测量方法，称为距离相关（DC），在许多情况下的非线性依赖中显示出强大的计算效率。在这项工作中，我们将DC纳入到从基因表达数据推断grn中，而没有任何底层分布假设。我们提出了三种基于dc的grn推断算法：CLR-DC、MRNET-DC和REL-DC，并通过分析DREAM挑战的基准grn和SynTReN网络生成器生成的grn以及实验确定的大肠杆菌SOS DNA修复网络的两个模拟数据，将它们与基于互信息（MI）的算法进行了比较。从receiver operator characteristic （ROC）曲线和precision-recall （PR）曲线来看，我们提出的算法在GRNs推理中都明显优于基于mi的算法。
Nonlinear dependence is general in regulation mechanism of gene regulatory networks (GRNs). It is vital to properly measure or test nonlinear dependence from real data for reconstructing GRNs and understanding the complex regulatory mechanisms within the cellular system. A recently developed measurement called the distance correlation (DC) has been shown powerful and computationally effective in nonlinear dependence for many situations. In this work, we incorporate the DC into inferring GRNs from the gene expression data without any underling distribution assumptions. We propose three DC-based GRNs inference algorithms: CLR-DC, MRNET-DC and REL-DC, and then compare them with the mutual information (MI)-based algorithms by analyzing two simulated data: benchmark GRNs from the DREAM challenge and GRNs generated by SynTReN network generator, and an experimentally determined SOS DNA repair network in Escherichia coli. According to both the receiver operator characteristic (ROC) curve and the precision-recall (PR) curve, our proposed algorithms significantly outperform the MI-based algorithms in GRNs inference.
登录
查看更多内容
影响因子：
3
作者：
Meyer, Patrick E.;Lafitte, Frederic;Bontempi, Gianluca
通讯作者：
Bontempi, Gianluca
DOI：
10.1214/09-aoas312
发表时间：
2009-01-01
期刊：
The annals of applied statistics
影响因子：
--
作者：
Kosorok MR
通讯作者：
Kosorok MR
影响因子：
2.3
作者：
Emmert-Streib, F.;Altay, G.
通讯作者：
Altay, G.
DOI：
10.1073/pnas.0913357107
发表时间：
2010-04-06
影响因子：
11.1
作者：
Marbach, Daniel;Prill, Robert J.;Stolovitzky, Gustavo
通讯作者：
Stolovitzky, Gustavo
影响因子：
14.9
作者：
Carrera J;Rodrigo G;Jaramillo A
通讯作者：
Jaramillo A