A comprehensive evaluation of module detection methods for gene expression data.
A comprehensive evaluation of module detection methods for gene expression data.
复制标题
DOI：
10.1038/s41467-018-03424-4
复制
发表时间：
2018-03-15
影响因子：
16.6
通讯作者：
Saeys Y
中科院分区：
文献类型：
--
作者：
Saelens W;Cannoodt R;Saeys Y
分析大的全基因组基因表达数据集的关键步骤是使用模块检测方法将基因分组为共表达模块。由于经典聚类方法的局限性，已经提出了许多替代的模块检测方法，其通过仅在样品的子集中处理共表达、对调控网络进行建模和/或允许模块之间的重叠来改进聚类。在这项研究中，我们使用已知的监管网络对这些不同的方法进行了全面和稳健的评估。总体而言，分解方法优于所有其他策略，而我们没有发现双聚类和基于网络推理的方法在大型基因表达数据集上的明显优势。使用我们的评估工作流程，我们还调查了模块检测的几个实际方面，如参数估计和使用替代相似性度量，并得出结论，为这些方法的进一步发展提出建议。由具有相似表达谱的基因组组成的模块往往在功能上相关并共同调节。在这里，Saelens等人评估了42种计算方法的性能，并为基因表达数据中的模块检测提供了实用指南。
A critical step in the analysis of large genome-wide gene expression datasets is the use of module detection methods to group genes into co-expression modules. Because of limitations of classical clustering methods, numerous alternative module detection methods have been proposed, which improve upon clustering by handling co-expression in only a subset of samples, modelling the regulatory network, and/or allowing overlap between modules. In this study we use known regulatory networks to do a comprehensive and robust evaluation of these different methods. Overall, decomposition methods outperform all other strategies, while we do not find a clear advantage of biclustering and network inference-based approaches on large gene expression datasets. Using our evaluation workflow, we also investigate several practical aspects of module detection, such as parameter estimation and the use of alternative similarity measures, and conclude with recommendations for the further development of these methods. Modules composed of groups of genes with similar expression profiles tend to be functionally related and co-regulated. Here, Saelens et al evaluate the performance of 42 computational methods and provide practical guidelines for module detection in gene expression data.
登录
查看更多内容
影响因子：
30.5
作者：
Alsina, Laia;Israelsson, Elisabeth;Altman, Matthew C.;Dang, Kristen K.;Ghandil, Pegah;Israel, Laura;von Bernuth, Horst;Baldwin, Nicole;Qin, Huanying;Jin, Zongbo;Banchereau, Romain;Anguiano, Esperanza;Ionan, Alexei;Abel, Laurent;Puel, Anne;Picard, Capucine;Pascual, Virginia;Casanova, Jean Laurent;Chaussabel, Damien
通讯作者：
Chaussabel, Damien
WGCNA：用于加权相关网络分析的 R 包。
影响因子：
3
作者：
Langfelder P;Horvath S
通讯作者：
Horvath S
影响因子：
8
作者：
Arbelaitz, Olatz;Gurrutxaga, Ibai;Perona, Inigo
通讯作者：
Perona, Inigo
影响因子：
1.7
作者：
Ben-Dor, A;Chor, B;Yakhini, Z
通讯作者：
Yakhini, Z
影响因子：
30.5
作者：
Jojic, Vladimir;Shay, Tal;Sylvia, Katelyn;Zuk, Or;Sun, Xin;Kang, Joonsoo;Regev, Aviv;Koller, Daphne
通讯作者：
Koller, Daphne