这些工具是否适合目的? 网络推断算法在模拟的脂管学网络上进行了评估
Finn Archinuk1, Haley Greenyer2, Ulrike Stege2
1Department of Biomedical Engineering, University of Alberta, Edmonton, Alberta T6G 1H9, Canada.
Bioinformatics advances
|November 24, 2025
概括
从代谢数据构建代谢网络是一项挑战. 基于相关性的网络推断可以区分代谢状态,但不能区分特定的途径,即使样本大小很大.
科学领域:
- 代谢学 代谢学 代谢学
- 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:
- 从代谢数据构建代谢网络对于理解细胞功能至关重要.
- 由于样本规模小,混因素,间接相互作用和生物随机性,现有的方法面临挑战.
研究的目的:
- 为了对代谢数据进行基于相关性和回归的网络推断算法进行基准测试.
- 用生成模型在不同的样本大小中评估算法性能.
- 评估这些方法恢复已知的代谢网络的能力.
主要方法:
- 基于相关性和回归的现有网络推断算法的基准测试.
- 使用具有不同样本大小的生成模型进行绩效评估.
- 使用标准交互级别测试和网络中心性得分的分析.
主要成果:
- 在代谢网络推断和结果解释方面存在重大挑战,即使采用大样本大小和建模数据.
- 基于相关性的网络推断显示,在计算模型中,区分两个代谢状态的能力有限.
- 这些方法在识别直接代谢途径方面并不有效,但可以表明更广泛的代谢状态变化.
结论:
- 代谢网络推断提出了相当大的挑战,影响了已识别的途径的可靠性.
- 基于相关性的方法可以提供对整体代谢状态转移的见解,而不是特定的途径改变.
- 需要进一步的方法开发,以便从代谢数据中准确地重建代谢网络.
