MMG:一种识别代谢途径子模块的概率工具。动机:系统生物学的一个基本任务是识别参与细胞对特定信号反应的基因组。在最简单的水平上,这通常减少到确定在两种不同条件下不同表达的生物量(mRNA丰度、酶浓度等)。流行的方法包括使用t检验统计量,其基础是将数据建模为混合分布。这些方法的一个共同假设是数据是独立的,并且分布相同;然而,生物量通常是通过一个复杂的(加权的)相互作用网络来联系的,通常更相关的问题是哪些子网络是差异表达的,而不是哪些基因。此外,在许多有趣的情况下(如高通量蛋白质组学和代谢组学),只有非常部分的观察是可用的,因此需要有效的插补技术。结果:我们引入了混合图模型(MMG),这是一种识别生物网络和路径差异表达子模块的新的概率模型。该方法可以很容易地将权值信息纳入网络,对缺失数据具有鲁棒性,并且易于推广到有向网络。我们提出了一种有效的抽样策略来推断微分表达式的后验概率,以及模型参数的后验概率。我们在人工数据上评估了我们的方法,这些数据证明了标准混合模型聚类的显著改进。通过对定量高通量蛋白质组学数据的模型结果进行分析,可以识别出具有生物学意义的子网络,并预测一些酶的表达水平,然后通过实验验证其中一些酶的表达水平。可用性:MATLAB代码可从http://www.dcs.shef.ac.uk/ guido/software.html


zbMATH中的参考文献(参考文献4条)

显示第1到第4个结果,共4个。
按年份排序(引用)

  1. 桑吉内蒂,吉多(编辑);休恩·苏,Vâ基因调控网络。方法和方案(2019年)
  2. 霍帕尼米,伊尔卡;苏维塔瓦尔,汤米;尼基尔ä, 杰恩;矿石šč, 马特伊;Kaski,Samuel:高维共线数据的双向分析(2009)ioport公司
  3. 诺瑞尔,约瑟林;桑吉内蒂,吉多;Wright,Phillip C.:用MMG识别差异表达子网络(2008)ioport公司
  4. 桑吉内蒂,吉多;诺瑞尔,约瑟林;Wright,Phillip C.:MMG:识别代谢途径子模块的概率工具(2008年)ioport公司