从高通量测量构建多模转录组-小分子相互作用网络,以研究人类复杂特征.

科学领域:

• 系统生物学 系统生物学
• 代谢学 代谢学 代谢学
• 文字转录学 (Transcriptomics) 是一个学科.

背景情况:

• 小分子 (SMs) 对生物过程至关重要,但它们对通路和基因表达的下游影响尚不清楚.
• 整合非目标代谢和测序数据是具有挑战性的,因为规模,可变性和噪声差异.

研究的目的:

• 开发一个多学科的框架,协调和分析各种生物数据.
• 构建强大的转录组-SM交互网络 (TSI-Nets) 以发现SM函数和复杂的特征关联.

主要方法:

• 开发了一个用于数据协调的机器学习协议 (批次校正,PCA,回归).
• 提出了一种半监督的网络推断方法,使用元分析来构建 TSI-Nets.
• 应用框架来分析胰岛素敏感性 (IS),并确定了关键的分子参与者.

主要成果:

• 该框架成功地整合了代谢学,脂质学和转录学数据,在网络生成中表现优于传统方法.
• 网络分析揭示了SM和与IS相关的基因之间的新型联系,超过了单个omics的发现.
• 确定了一条将N-乙甘氨酸 (NAG) 从肠道微生物群连接到免疫调节的途径,改善IS并减少肥胖/炎症.

结论:

• 开发的框架为多模网络推断和SM路径发现提供了可扩展的解决方案.
• TSI-Nets提供了关于SMs对人类健康和复杂特征的影响的有价值的见解.
• 生成的网络是公开可用的,作为研究社区的资源.