一个共识基因调控网络用于神经退行性疾病使用单细胞RNA-Seq数据
Dimitrios E Koumadorakis1, Marios G Krokidis1, Georgios N Dimitrakopoulos1
1Bioinformatics and Human Electrophysiology Lab (BiHELab), Department of Informatics, Ionian University, Corfu, Greece.
Advances in experimental medicine and biology
|July 31, 2023
概括
开发一个集体基因调节网络 (GRN) 方法通过结合多种算法来改善对神经退行性疾病的洞察力. 这种方法比单一方法更强大地识别关键监管机构.
科学领域:
- 系统生物学 系统生物学
- 计算生物学 计算生物学
- 神经科学是一个神经科学.
背景情况:
- 基因调节网络 (GRN) 的推断对于理解神经退行症等复杂疾病至关重要.
- 现有的GRN推断方法由于其潜在假设存在局限性,限制了生物学见解.
- 需要一个共识方法来克服个别方法的局限性,并提高GRN分析的稳定性.
研究的目的:
- 通过整合多个最先进的算法来开发和评估一套GRN方法.
- 解决个人GRN推断方法的局限性,以改善生物学理解.
- 在神经退行症中识别潜在的关键监管者和子网络,使用共识GRN.
主要方法:
- 选择了四种不同的GRN推理算法,包括静态和动态方法.
- 通过确定由所选算法预测的常见基因相互作用,构建了一个共识GRN.
- 将合奏方法应用于来自神经退行症小鼠模型 (CK-p25) 的单细胞RNA测序 (scRNA-seq) 数据集.
主要成果:
- 协商一致的GRN揭示了研究数据集的不同算法之间的基因相互作用的显著重叠.
- 在神经退行性背景下确定了潜在的关键监管机构和关键子网络.
- 证明了集体方法对于强大的GRN推理的必要性和有效性.
结论:
- 组合GRN方法结合了多种算法,提供了比单一方法更强大和生物相关的见解.
- 这项研究验证了创建一个共识网络来分析像神经退行症这样的复杂生物系统的有效性.
- 这些发现突显了集成GRN方法在发现疾病中关键调节者的潜力.
