CPMI:基于社区的综合性扰乱相互信息,用于识别复杂生物过程的关键状态
Jing Ren1,2, Peiluan Li3,4, Jinling Yan5
1School of Mathematics and Statistics, Henan University of Science and Technology, Luoyang, 471000, China.
BMC bioinformatics
|June 15, 2024
概括
我们开发了一种全新的方法,即基于邻近的扰乱互联信息 (CPMI),用于检测生物过程中的关键状态. CPMI成功地识别了临界点和动态网络生物标志物,提供了早期疾病预警信号.
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:
- 复杂的生物过程表现出关键的过渡或临界点,往往导致灾难性的后果.
- 预测这些关键状态是具有挑战性的,特别是高维,小样本数据,如单细胞表达数据.
研究的目的:
- 开发一种强大的计算方法,用于检测复杂生物过程中的关键状态.
- 识别早期预警信号的临界点和相关的动态网络生物标志物 (DNB).
主要方法:
- 提出了基于社区的综合性扰乱互联信息 (CPMI) 方法.
- CPMI认为基因邻居关系可以提高稳定性并减少噪音.
- 将CPMI应用于模拟和多样化的真实世界数据集 (单细胞,批量,流感).
主要成果:
- 在各种数据集中成功检测到临界点并确定了DNB.
- 发现了DNB和"暗基因"的调控转录因子 (TF).
- 在模拟中证明了CPMI对噪声的稳定性和优越性.
结论:
- CPMI是一种强大的计算方法,适用于批量和单细胞数据.
- 在复杂的生物系统中,CPMI显示出提供早期预警信号的巨大潜力.
- 该方法可以通过识别关键状态来帮助早期诊断疾病.
