Gene Regulatory Network Inference from Single-Cell Data Using Multivariate Information Measures.
Gene Regulatory Network Inference from Single-Cell Data Using Multivariate Information Measures.
复制标题
DOI：
10.1016/j.cels.2017.08.014
复制
发表时间：
2017-09-27
期刊：
影响因子：
9.3
通讯作者：
Babtie AC
中科院分区：
文献类型：
--
作者：
Chan TE;Stumpf MPH;Babtie AC
虽然单细胞基因表达实验给数据处理带来了新的挑战，但观察到的细胞间变异也揭示了信息论可以使用的统计关系。在这里，我们使用多元信息理论来探索单细胞基因表达数据集中基因三联体之间的统计依赖性。我们开发了 PIDC，这是一种快速、高效的算法，它使用部分信息分解 (PID) 来识别基因之间的调控关系。我们彻底评估了算法的性能，并证明 PIDC 捕获的高阶信息使其在恢复模拟数据中存在的真实关系时优于基于成对互信息的算法。我们还从三个实验单细胞数据集推断基因调控网络，并说明网络背景、分析过程中做出的选择以及变异源如何影响网络推断。提供了用于估计 PID 的 PIDC 教程和开源软件。 PIDC 应促进从单细胞转录组数据中识别假定的功能关系和机制假设。 PIDC 从单细胞转录组数据推断基因调控网络 PIDC 中的多变量信息测量和上下文改善网络推理 单细胞数据的异质性携带有关基因-基因相互作用的信息 Chan 等人免费提供快速、高效、开源软件。开发 PIDC，一种快速、高效的算法，利用多元信息理论，可靠地推断异质、单细胞基因表达数据中的基因间相互作用，并构建基因调控网络。
While single-cell gene expression experiments present new challenges for data processing, the cell-to-cell variability observed also reveals statistical relationships that can be used by information theory. Here, we use multivariate information theory to explore the statistical dependencies between triplets of genes in single-cell gene expression datasets. We develop PIDC, a fast, efficient algorithm that uses partial information decomposition (PID) to identify regulatory relationships between genes. We thoroughly evaluate the performance of our algorithm and demonstrate that the higher-order information captured by PIDC allows it to outperform pairwise mutual information-based algorithms when recovering true relationships present in simulated data. We also infer gene regulatory networks from three experimental single-cell datasets and illustrate how network context, choices made during analysis, and sources of variability affect network inference. PIDC tutorials and open-source software for estimating PID are available. PIDC should facilitate the identification of putative functional relationships and mechanistic hypotheses from single-cell transcriptomic data. PIDC infers gene regulatory networks from single-cell transcriptomic data Multivariate information measures and context in PIDC improve network inference Heterogeneity in single-cell data carries information about gene-gene interactions Fast, efficient, open-source software is made freely available Chan et al. develop PIDC, a fast, efficient algorithm that makes use of multivariate information theory, to reliably infer gene-gene interactions in heterogeneous, single-cell gene expression data and build gene regulatory networks.
登录
查看更多内容
推断因果分子网络：通过基于社区的努力进行的经验评估。
影响因子：
48
作者：
Hill SM;Heiser LM;Cokelaer T;Unger M;Nesser NK;Carlin DE;Zhang Y;Sokolov A;Paull EO;Wong CK;Graim K;Bivol A;Wang H;Zhu F;Afsari B;Danilova LV;Favorov AV;Lee WS;Taylor D;Hu CW;Long BL;Noren DP;Bisberg AJ;HPN-DREAM Consortium;Mills GB;Gray JW;Kellen M;Norman T;Friend S;Qutub AA;Fertig EJ;Guan Y;Song M;Stuart JM;Spellman PT;Koeppl H;Stolovitzky G;Saez-Rodriguez J;Mukherjee S
通讯作者：
Mukherjee S
影响因子：
12.3
作者：
Bacher R;Kendziorski C
通讯作者：
Kendziorski C
影响因子：
64.5
作者：
Boyle EA;Li YI;Pritchard JK
通讯作者：
Pritchard JK
影响因子：
11.8
作者：
Guo, Guoji;Huss, Mikael;Robson, Paul
通讯作者：
Robson, Paul
影响因子：
7.8
作者：
DeWeese, MR;Meister, M
通讯作者：
Meister, M