反向网络扩散以消除间接噪声,以便更好地推断基因调节网络

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 基因调节网络 (GRNs) 对于理解基因相互作用至关重要,但从多omics数据中推断它们是具有挑战性的.
• 当前的GRN推断方法通常会产生假阳性,因为间接的相关性效应和噪声,掩盖了真正的生物学关系.
• 准确的GRN推断对于下游分析至关重要,例如识别功能模块和与疾病相关的基因.

研究的目的:

• 为了解决当前GRN推断方法的局限性,我们开发了一种新的网络拒绝方法.
• 主要目标是通过有效地消除由间接影响引起的虚假边缘来提高GRNs的准确性和可靠性.
• 为了提高推断基因网络的信号噪声比,以实现更强大的生物解释.

主要方法:

• 我们推出了反向网络扩散随机步行 (RENDOR),这是一种用于否定基因调节网络的新方法.
• RENDOR使用过渡性闭合模拟高阶间接基因相互作用,并通过反向网络扩散消除错误阳性.
• 该方法采用杂的网络作为输入和输出精制,更准确的GRNs.

主要成果:

• 对模拟和真实GRN数据的比较评估表明,RENDOR显著提高了网络准确性.
• 与原始推断网络相比,从RENDOR衍生出来的denoised网络更有效地捕获了真正的基因相互作用.
• 我们的研究结果强调了消除间接噪声对于准确的GRN推断的重要性,并证实了RENDOR的有效性.

结论:

• 拟议的RENDOR方法成功地破坏了基因调节网络,提高了推断的基因相互作用的准确性.
• 通过减轻间接相关性引起的假阳性问题,RENDOR促进了更可靠的下游生物分析.
• RENDOR为研究人员提供了一种有价值的工具,用于处理多omics数据,以获得更高质量的基因调控网络.