iHerd:一个集成的等级图表表示学习框架,用于量化网络变化,并对疾病风险基因进行优先排序

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 基因组学就是基因组学.

背景情况:

• 细胞功能依赖于复杂的基因网络,变化可能导致疾病.
• 识别关键驱动基因和量化各种条件的网络变化对于理解生物过程和疾病机制至关重要.

研究的目的:

• 介绍iHerd,一种层次图表表示学习方法,用于量化基因网络的改变和优先考虑驱动基因.
• 为了使驱动基因能够被分类为早期和晚期分离基因 (EDG和LDG),以获得更深入的分子洞察力.

主要方法:

• iHerd使用层次图形粗化来表示多个分辨率的网络模块.
• 它使用高效的图形嵌入来学习所有层次层次的节点表示.
• 一个图形对齐模块将基因嵌入到共享潜伏空间中,以计算驱动基因优先级的重新连接索引.

主要成果:

• 在瘤正常和细胞类型特定分析中,iHerd成功识别了新的和已知的疾病风险基因.
• 该方法有效地将驱动基因分为EDG和LDG,突出显示在各种通路级别具有显著网络变化的基因.
• 对单细胞多组大脑数据的应用证明了iHerd在复杂网络分析方面的能力.

结论:

• iHerd为分析基因调控网络重新连接提供了一种高效和可解释的方法.
• 驱动基因的等级学习和分类为疾病机制提供了独特的分子洞察力.
• 开发的方法通过使基因网络动态的细微理解,推进了系统生物学领域.