阿拉克涅

ARACNE：在哺乳动物细胞环境中重建基因调控网络的算法。背景：阐明基因调控网络对于理解正常细胞生理和复杂的病理表型至关重要。现有的全基因组“逆向工程”计算方法仅适用于基因组简单的低等真核生物。在这里，我们提出了一种新的算法ARACNE，它使用微阵列表达谱，专门设计用于扩展哺乳动物细胞中调控网络的复杂性，但其通用性足以解决更广泛的网络反褶积问题。该方法利用信息论方法消除了由共表达方法推断出的大多数间接相互作用。结果：证明了当网络拓扑中回路的影响可以忽略时，ARACNE可以精确（渐近）地重构网络，并且证明了该算法在实际应用中，即使在存在大量回路和复杂拓扑的情况下也能很好地工作。我们评估了ARACNE重建转录调控网络的能力，使用了真实的合成数据集和人类B细胞的微阵列数据集。在合成数据集上，ARACNE实现了非常低的错误率，并优于现有的方法，如相关网络和贝叶斯网络。应用于人类B细胞遗传网络的反卷积研究表明，ARACNE能够推断cMYC原癌基因的有效转录靶点。我们还研究了互信息误判对网络重构的影响，结果表明基于互信息排序的算法对估计误差具有更大的弹性。结论：ARACNE在识别哺乳动物细胞网络中的直接转录相互作用方面显示出了希望，这一问题对现有的逆向工程算法提出了挑战。这种方法可以提高我们利用微阵列数据阐明细胞过程的功能机制和识别哺乳动物细胞网络中药理化合物的分子靶点的能力。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献38条)

显示结果1到20，共38个。
按年份排序(引用)
  1. Tyler Grimes，Somnath Datta:SeqNet:用于生成基因-基因网络和模拟RNA序列数据的R包（2021年）不是zbMATH
  2. 王，Y.X.雷切尔；李乐新；李静怡杰西卡；黄海燕：生物学中的网络模型：基因和脑网络的统计方法（2021）
  3. 阿马尔，哈姆达B。；Madden，Michael G.：用低阶条件独立性推断动态基因调控网络——方法评估（2020）
  4. 彭萨，约翰；徐莹莹；普拉宁，圣特利；佩索宁、麦菊；Kabashima，Yoshiyuki；Corander，Jukka:二元成对马尔可夫网络的高维结构学习：比较数值研究（2020）
  5. 皮奥，吉安维托；塞西，米开朗基罗；普利先达罗，弗朗西斯卡；Malerba，Donato:基于图嵌入的基因网络重构中的因果关系挖掘（2020）
  6. 吴宜昌；李铁军；刘小平；陈洛南：基于交叉变量融合D-迹损失的差分网络推理（2020）
  7. 杜伦，克里斯蒂娜；潘、元；大卫·H·古特曼。；哈丁，约翰娜；Radunskaya，Ami：中间性中心性的变异性及其对识别关键基因的影响（2019）
  8. 卡拉，基兰；Mili，Lamine:用于检测随机信号之间相关性和单调性的Copula指数（2019年）
  9. 桑吉内蒂，吉多（编辑）；Huynh Thu，V'n Anh（编辑）：基因调控网络。方法和方案（2019年）
  10. 施、季凡；赵娟；李铁军；陈洛南：用信息论方法检测网络中的直接关联（2019）
  11. 石润东；胡刚；王世宏：用扩展变量线性化方法重建快变噪声下的非线性网络（2019）
  12. 杨，威廉·查德；杨家仪；Raftery，Adrian E.：从平衡样本中识别动态时间序列模型参数，并应用于基因调控网络（2019）
  13. 冠军，马加里；皮切尼，维克托；Vignes，Matthieu:使用（\ell_1）推断大型图-惩罚可能性（2018）
  14. 罗曼诺，西蒙尼；阮宣荣；维斯普尔，卡琳；Bailey，James:随机信息系数：评估噪声数据中的相关性（2018）
  15. 范、岳；王、肖；彭勤科：利用贝叶斯非参数回归和拓扑信息推断基因调控网络（2017）
  16. 基思，乔纳森M.（编辑）：生物信息学。第二卷：结构、功能和应用（2017）
  17. 科拉多，波塞里；Steel，Andrew R.：随机布尔网络概率的渐近稳定性（2017）
  18. 维肖普，霍尔格；约翰逊，帕特里克；恩斯特伦，克里斯托弗；内兰德，斯文；谢尔盖·西尔维斯特洛夫；Swarling，Fredrik J.：反向工程转录调控网络中图中心的守恒性丢失（2017）
  19. 雷迪，高塔人；塞拉尼，安东尼奥；Vergassola，Massimo:Infomax勘探与开发最佳平衡策略（2016）
  20. 维肖普，霍尔格；约翰逊，帕特里克；恩斯特伦，克里斯托弗；内兰德，斯文；谢尔盖·西尔维斯特洛夫；Swarling，Fredrik J.：基于图中心度的癌症基因预测（2016）