Robust gene coexpression networks using signed distance correlation.
Robust gene coexpression networks using signed distance correlation.
复制标题
DOI：
10.1093/bioinformatics/btab041
复制
发表时间：
2021-08-04
期刊：
影响因子：
--
通讯作者：
Reinert G
中科院分区：
文献类型：
--
作者：
Pardo-Diaz J;Bozhilova LV;Beguerisse-Díaz M;Poole PS;Deane CM;Reinert G
即使在研究充分的生物体中，许多基因也缺乏有用的功能注释。生成这种功能信息的一种方法是使用包括功能注释的基因共表达数据网络来推断基因/蛋白质之间的生物学关系。然而，缺乏可信的功能注释可能会阻碍此类网络的验证。因此，需要一种原则性的方法来构建基因共表达网络，该网络捕获生物信息并且即使在没有功能信息的情况下也是结构稳定的。我们引入了符号距离相关性的概念作为两个变量之间的依赖性的度量，并将其应用于生成基因共表达网络。距离相关提供了一个更直观的方法来构建网络比常用的方法，如皮尔逊相关和互信息。我们提出了一个框架来生成自洽网络使用符号距离相关纯粹从基因表达数据，没有额外的信息。我们分析了来自三种不同生物的数据，以说明与从Pearson相关性或互信息获得的网络相比，用我们的方法生成的网络如何更稳定，并捕获更多的生物信息。代码可在线获取（https：//github.com/javier-pardodaz/sdcorGCN）。 补充数据可在Bioinformatics在线获得。
Even within well-studied organisms, many genes lack useful functional annotations. One way to generate such functional information is to infer biological relationships between genes/proteins, using a network of gene coexpression data that includes functional annotations. However, the lack of trustworthy functional annotations can impede the validation of such networks. Hence, there is a need for a principled method to construct gene coexpression networks that capture biological information and are structurally stable even in the absence of functional information. We introduce the concept of signed distance correlation as a measure of dependency between two variables, and apply it to generate gene coexpression networks. Distance correlation offers a more intuitive approach to network construction than commonly used methods, such as Pearson correlation and mutual information. We propose a framework to generate self-consistent networks using signed distance correlation purely from gene expression data, with no additional information. We analyse data from three different organisms to illustrate how networks generated with our method are more stable and capture more biological information compared to networks obtained from Pearson correlation or mutual information. Code is available online (https://github.com/javier-pardodiaz/sdcorGCN). Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
7
作者：
Lee, HK;Hsu, AK;Pavlidis, P
通讯作者：
Pavlidis, P
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：
3
作者：
Meyer, Patrick E.;Lafitte, Frederic;Bontempi, Gianluca
通讯作者：
Bontempi, Gianluca
用于 miRNA 疾病关联预测的 MDHGI 矩阵分解和异质图推理
影响因子：
4.3
作者：
Chen X;Yin J;Qu J;Huang L
通讯作者：
Huang L
DOI：
10.1093/bioinformatics/btz731
发表时间：
2020-02-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Makrodimitris S;Reinders MJT;van Ham RCHJ
通讯作者：
van Ham RCHJ