DNA

微阵列数据差分网络分析的统计框架。众所周知,基因并不单独起作用;更确切地说,在一个生物过程中,一组组基因协同作用。因此,基因的表达水平是相互依赖的。检测这种相互作用的基因对的实验技术已经有相当长的时间了。随着微阵列技术的出现,检测基因表达之间这种相互作用或联系的新的计算技术正在被提出,从而形成一个关联网络。虽然大多数微阵列分析都在寻找差异表达的基因,但确定两种或两种以上的生物学环境(如正常细胞和病变细胞类型)之间的整个关联网络结构是如何变化的具有潜在更大意义的。结果:我们提供了一个在两个实验环境下对微阵列数据构建的网络进行差异分析的方法。在我们的方法的核心是一个连通性得分,它代表两个基因之间的遗传关联或相互作用的强度。我们用这个分数为以下每个问题提出正式的统计检验:(i)两个网络的整体模块结构是否不同,(ii)两个网络之间特定“有趣基因”的连接性是否发生了变化,以及(iii)给定的单个基因在两个网络之间的连通性是否发生了变化。文中提供了一些这个分数的例子。我们将我们的方法应用于两类模拟数据:高斯网络和基于微分方程的网络。结果表明,在适当选择连通性得分和调整参数的情况下,我们的方法对模拟数据有效。我们还分析了一组涉及正常和肥胖小鼠的真实数据集,并确定了可能在肥胖中起关键作用的一组有趣的基因。结论:检测网络结构的变化可以提供有关潜在生化途径的有价值的信息。具有适当连接性得分的差分网络分析是探索不同生物条件下网络结构变化的有用工具。我们测试的R包可以从补充网站下载http://www.somnathdata.org/Supp/DNA。