Noise-driven causal inference in biomolecular networks.
Noise-driven causal inference in biomolecular networks.
复制标题
DOI：
10.1371/journal.pone.0125777
复制
发表时间：
2015
期刊：
影响因子：
3.7
通讯作者：
Stolovitzky G
中科院分区：
文献类型：
--
作者：
Prill RJ;Vogel R;Cecchi GA;Altan-Bonnet G;Stolovitzky G
单细胞RNA和蛋白质浓度动态波动，因为随机（“噪声”）调节。因此，生物信号和遗传网络不仅翻译刺激的功能反应，但也随机波动。直观地说，这个特征表现为从网络源到目标的波动的积累。利用噪声定向传播的事实，我们开发了一种因果关系预测的方法，不需要时间滞后的观察，因此可以应用于破坏性测定，如免疫组织化学产生的数据。我们的因果关系预测方法，“使用协方差元素的网络方向性的推断（INDUCE）”，利用因果相互作用的强度变化与蛋白质浓度协方差矩阵的单细胞测量条目的相关变化之间的理论关系。我们验证了我们的因果关系预测方法在两个实验系统中的因果关系是建立良好的：在E。大肠杆菌合成基因网络，并在哺乳动物细胞中MEK到ERK信号转导。我们报告的第一个分析的协方差元素记录噪声传播从激酶的磷酸化底物在内源性哺乳动物信号网络。
Single-cell RNA and protein concentrations dynamically fluctuate because of stochastic ("noisy") regulation. Consequently, biological signaling and genetic networks not only translate stimuli with functional response but also random fluctuations. Intuitively, this feature manifests as the accumulation of fluctuations from the network source to the target. Taking advantage of the fact that noise propagates directionally, we developed a method for causation prediction that does not require time-lagged observations and therefore can be applied to data generated by destructive assays such as immunohistochemistry. Our method for causation prediction, "Inference of Network Directionality Using Covariance Elements (INDUCE)," exploits the theoretical relationship between a change in the strength of a causal interaction and the associated changes in the single cell measured entries of the covariance matrix of protein concentrations. We validated our method for causation prediction in two experimental systems where causation is well established: in an E. coli synthetic gene network, and in MEK to ERK signaling in mammalian cells. We report the first analysis of covariance elements documenting noise propagation from a kinase to a phosphorylated substrate in an endogenous mammalian signaling network.
登录
查看更多内容
影响因子：
56.9
作者：
Johnson, GL;Lapadat, R
通讯作者：
Lapadat, R
影响因子：
4.4
作者：
Gillespie, DT
通讯作者：
Gillespie, DT
影响因子：
30.8
作者：
Dunlop, Mary J.;Cox, Robert Sidney, III;Levine, Joseph H.;Murray, Richard M.;Elowitz, Michael B.
通讯作者：
Elowitz, Michael B.
影响因子：
64.5
作者：
Das J;Ho M;Zikherman J;Govern C;Yang M;Weiss A;Chakraborty AK;Roose JP
通讯作者：
Roose JP
影响因子：
56.9
作者：
Pedraza, JM;van Oudenaarden, A
通讯作者：
van Oudenaarden, A