强大的基因网络丰富分析及其应用于严重的COVID-19基因网络

科学领域:

• 系统生物学和生物信息学
• 基因组学和转录基因组学
• 计算生物学和网络分析.

背景情况:

• 复杂的疾病需要在监管网络中分析协调的基因行为,超过个体基因分析的局限性.
• 传统的基因组丰富方法 (例如,过度代表性分析,基因组丰富分析) 专注于基因列表,忽视网络结构.
• 现有的基因网络丰富分析 (GbNEA) 由于表型变异和重复的基因网络重新估计,其统计能力和计算效率较低.

研究的目的:

• 开发一种新的,强大的基因网络丰富分析 (PGNEA) 方法,以提高计算效率和统计灵敏度.
• 通过整合基因表达,调节效应和枢纽来描述基因网络,以改善疾病机制的理解.
• 通过基因活动模式和变异来识别表型特定的基因网络及其丰富.

主要方法:

• 开发了PGNEA,整合了基因表达,调节效应和枢纽性,以表征基因网络.
• 通过评估基因活动模式的差异来量化基因网络的丰富.
• 使用基因活动变异评估的统计学意义,提高了比表型变异的计算效率.

主要成果:

• 通过蒙特卡洛模拟,PGNEA通过蒙特卡洛模拟显示了显著提高的计算效率和统计灵敏度.
• 应用于COVID-19数据,PGNEA在严重病例中确定了与病毒感染相关的途径,包括COVID-19,HIV-1,B型肝炎,A型流感,麻疹和卡波西肉瘤相关的疹病毒感染.
• 确定了关键的分子标记物 (PIK3,NF-B,FOXA,JUN,CXCL8) 并突出了相互作用,特别是在CXCL8和NFKBIA之间.

结论:

• 在复杂疾病中,PGNEA提供了一种有效和敏感的工具,用于识别生物学上有意义的途径和网络级机制.
• 该方法通过利用集成网络特征,有效分析表型,包括严重的病毒感染.
• 这些发现突出了基于网络的方法的潜力,以促进我们对疾病发病的理解.