Hub-centered gene network reconstruction using automatic relevance determination.
Hub-centered gene network reconstruction using automatic relevance determination.
复制标题
DOI：
10.1371/journal.pone.0035077
复制
发表时间：
2012
期刊：
影响因子：
3.7
通讯作者：
Kaderali L
中科院分区：
文献类型：
--
作者：
Böck M;Ogishima S;Tanaka H;Kramer S;Kaderali L
网络推理处理从实验数据重建生物网络。各种不同的逆向工程技术是可用的;它们在基本假设和所使用的数学模型方面有所不同。所有方法的一个共同问题源于任务的复杂性，这是由于不同网络拓扑结构的组合爆炸增加了网络规模。为了处理这个问题，经常使用约束，例如节点度、边数或网络组件之间调节函数的约束。我们建议利用拓扑考虑基因调控网络的推理。这样的系统通常由少数枢纽基因控制，而大多数其他基因对网络的动态影响有限。我们使用离散的，布尔节点的贝叶斯网络模型基因调控。一个层次的先验是用来识别枢纽基因。先验的第一层用于正则化从一个特定节点发出的边上的权重。超参数的第二个先验控制不同节点的前一个正则化的大小。净效应是中心节点倾向于在重建的网络中形成。然后通过最大化后验分布或从后验分布采样来执行网络重构。我们评估我们的方法模拟和真实的实验数据，表明我们可以重建主要的监管相互作用的数据。此外，我们比较我们的方法与其他国家的最先进的方法，显示出上级性能，在确定枢纽。使用超过800个细胞周期调控基因的大型公开数据集，我们能够识别几个主要的枢纽基因。因此，我们的方法可以提供一个有价值的工具，以确定感兴趣的候选基因进行进一步的研究。此外，所提出的方法可能会刺激进一步的发展，从数据的网络重建的正则化方法。
Network inference deals with the reconstruction of biological networks from experimental data. A variety of different reverse engineering techniques are available; they differ in the underlying assumptions and mathematical models used. One common problem for all approaches stems from the complexity of the task, due to the combinatorial explosion of different network topologies for increasing network size. To handle this problem, constraints are frequently used, for example on the node degree, number of edges, or constraints on regulation functions between network components. We propose to exploit topological considerations in the inference of gene regulatory networks. Such systems are often controlled by a small number of hub genes, while most other genes have only limited influence on the network's dynamic. We model gene regulation using a Bayesian network with discrete, Boolean nodes. A hierarchical prior is employed to identify hub genes. The first layer of the prior is used to regularize weights on edges emanating from one specific node. A second prior on hyperparameters controls the magnitude of the former regularization for different nodes. The net effect is that central nodes tend to form in reconstructed networks. Network reconstruction is then performed by maximization of or sampling from the posterior distribution. We evaluate our approach on simulated and real experimental data, indicating that we can reconstruct main regulatory interactions from the data. We furthermore compare our approach to other state-of-the art methods, showing superior performance in identifying hubs. Using a large publicly available dataset of over 800 cell cycle regulated genes, we are able to identify several main hub genes. Our method may thus provide a valuable tool to identify interesting candidate genes for further study. Furthermore, the approach presented may stimulate further developments in regularization methods for network reconstruction from data.
登录
查看更多内容
影响因子：
16
作者：
Cho, RJ;Campbell, MJ;Davis, RW
通讯作者：
Davis, RW
影响因子：
1.4
作者：
Chen, T;Filkov, V;Skiena, SS
通讯作者：
Skiena, SS
影响因子：
6.4
作者：
Hartemink, AJ;Gifford, DK;Young, RA
通讯作者：
Young, RA
影响因子：
5.8
作者：
Guthke, R;Möller, U;Töpfer, S
通讯作者：
Töpfer, S
影响因子：
64.8
作者：
Jeong, H;Tombor, B;Barabási, AL
通讯作者：
Barabási, AL