Identifying gene regulatory network rewiring using latent differential graphical models.
Identifying gene regulatory network rewiring using latent differential graphical models.
复制标题
DOI：
10.1093/nar/gkw581
复制
发表时间：
2016-09-30
影响因子：
14.9
通讯作者：
Ma J
中科院分区：
文献类型：
--
作者：
Tian D;Gu Q;Ma J
基因调控网络（GRNs）在不同组织类型之间是高度动态的。识别组织特异性基因调控对于理解特定细胞背景下的基因功能至关重要。图形模型已被用来估计GRN从基因表达数据，以区分直接的相互作用，间接协会。然而，大多数现有的方法估计特定细胞/组织类型的GRN或以组织幼稚的方式，或者没有特别关注不同组织之间的网络重新布线。在这里，我们描述了一种新的方法，称为潜在的差分图形模型（LDGM）。我们的方法的动机是直接估计两种组织类型之间的差分网络，而不推断单个组织的网络，这具有利用小得多的样本量来实现可靠的差分网络估计的优点。我们的仿真结果表明，LDGM始终优于其他高斯图形模型为基础的方法。我们通过应用GTEx联盟的脑和血液基因表达数据进一步评估了LDGM。我们还应用LDGM来识别使用TCGA乳腺癌样本的癌症亚型之间的网络重新连接。我们的研究结果表明，LDGM是一种有效的方法来推断差分网络使用高通量的基因表达数据，以确定不同的细胞条件下的GRN动力学。
Gene regulatory networks (GRNs) are highly dynamic among different tissue types. Identifying tissue-specific gene regulation is critically important to understand gene function in a particular cellular context. Graphical models have been used to estimate GRN from gene expression data to distinguish direct interactions from indirect associations. However, most existing methods estimate GRN for a specific cell/tissue type or in a tissue-naive way, or do not specifically focus on network rewiring between different tissues. Here, we describe a new method called Latent Differential Graphical Model (LDGM). The motivation of our method is to estimate the differential network between two tissue types directly without inferring the network for individual tissues, which has the advantage of utilizing much smaller sample size to achieve reliable differential network estimation. Our simulation results demonstrated that LDGM consistently outperforms other Gaussian graphical model based methods. We further evaluated LDGM by applying to the brain and blood gene expression data from the GTEx consortium. We also applied LDGM to identify network rewiring between cancer subtypes using the TCGA breast cancer samples. Our results suggest that LDGM is an effective method to infer differential network using high-throughput gene expression data to identify GRN dynamics among different cellular conditions.
登录
查看更多内容
影响因子：
64.5
作者：
Neph S;Stergachis AB;Reynolds A;Sandstrom R;Borenstein E;Stamatoyannopoulos JA
通讯作者：
Stamatoyannopoulos JA
影响因子：
4.5
作者：
Liu, Han;Han, Fang;Wasserman, Larry
通讯作者：
Wasserman, Larry
David Gene功能分类工具：一种以生物模块为中心的新型算法，可在功能上分析大基因列表。
影响因子：
12.3
作者：
Huang, Da Wei;Sherman, Brad T;Tan, Qina;Collins, Jack R;Alvord, W Gregory;Roayaei, Jean;Stephens, Robert;Baseler, Michael W;Lane, H Clifford;Lempicki, Richard A
通讯作者：
Lempicki, Richard A
影响因子：
14.9
作者：
Huang DW;Sherman BT;Tan Q;Kir J;Liu D;Bryant D;Guo Y;Stephens R;Baseler MW;Lane HC;Lempicki RA
通讯作者：
Lempicki RA
DOI：
10.1126/science.1262110
发表时间：
2015-05-08
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
GTEx Consortium
通讯作者：
GTEx Consortium