DNFE:用于在生物过程中检测临界点的定向网络流

科学领域:

• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 动态生物过程表现出关键的临界点,标志着状态过渡.
• 使用非定向网络的传统方法在高维,小样本的奥米克数据,特别是单细胞数据方面遇到了困难.
• 识别临界点及其驱动网络对于预测和减轻生物转变至关重要.

研究的目的:

• 开发一种可靠的方法,从omics数据中识别转折点和动态网络生物标志物.
• 解决传统网络分析方法在高维生物数据集中的局限性.
• 探索基因调节关系,并确定生物转变中的关键驱动因素.

主要方法:

• 开发了定向网络流 (DNFE) 方法,将omics数据转化为定向网络.
• 将DNFE应用于各种数据集,包括单细胞RNA测序 (scRNA-seq),批量瘤和血液数据.
• 通过对各种噪声水平和大型基因调控网络的数值模拟来验证该方法.

主要成果:

• 在多个现实数据集中,DNFE有效地识别了关键状态及其动态网络生物标志物.
• 该方法证明了对噪声的稳定性,并且在临界点检测方面表现优于现有的方法.
• DNFE成功地预测了活跃的转录因子,并确定了以前被忽视的"黑暗基因".

结论:

• 该DNFE方法提供了一个强大的和有效的框架,用于分析动态生物过程使用OMIC数据.
• DNFE增强了关键状态,调控网络和关键基因的识别,推进了系统生物学研究.
• 这种方法适用于单细胞和批量omics数据,在生物发现中具有广泛的实用性.