NATbox：R中的网络分析工具箱

摘要

背景

最近，人们对使用合适的计算技术从高通量分析中获取功能关系（FRs）产生了兴趣。FRs阐明了基因作为一个系统而不是独立实体的协同工作，因此可能为生物途径和信号机制提供初步见解。贝叶斯结构学习（BSL）技术及其扩展已成功用于从表达谱建模FRs。这些技术在发现未记录的FRs、研究非规范信号机制和路径之间的串扰方面特别有用。本研究的目标是开发图形用户界面（GUI），NATbox：网络分析工具箱语言R中包含一系列BSL算法，以及合适的统计工具，用于根据基因表达谱及其后续分析以非循环网络的形式对FRs建模。

结果

NATbox是一个菜单驱动的开源GUI，用R统计语言实现，用于从基因表达谱建模和分析FRs。它提供了以下选项(我)插补给定数据中的缺失观测值(二)使用一组BSL算法从基因表达谱中建模FRs和网络结构，并使用bootstrap程序识别鲁棒依赖性(三)以用于可视化的非循环图的形式呈现FR，并使用网络分析度量来研究其拓扑性质(iv（四）)从已发表的文献中检索感兴趣的FR。随后，将这些FR用作BSL中的结构优先级(v（v）)通过并行化引导程序来增强BSL在高维数据上的可扩展性。

结论

NATbox提供了一个菜单驱动的GUI，用于从基因表达谱对FRs进行建模和分析。通过整合现有R包中现成的功能，它最大限度地减少了冗余，提高了开源环境的再现性、透明度和可持续性。NATbox特别适合具有最少编程经验的跨学科研究人员和生物学家，并且希望在不深入研究算法方面的情况下使用系统生物学方法。GUI为各种菜单选项提供适当的参数建议，包括用户的默认参数选择。NATbox也可以证明是系统生物学研究生和本科生课程中有用的演示和教学工具。它已在Windows和Linux操作系统下成功测试。源代码以及安装说明和附带的教程可以在http://bioinformatics.ualr.edu/natboxWiki/index.php/Main_Page.

背景

经典生物学实验的重点是了解不同生物状态下单个基因表达的变化。这种差异基因表达分析虽然有用，但可能无法充分了解它们的相互作用或功能关系（FRs）。了解FRs至关重要，因为基因作为一个系统而不是独立实体协同工作。相关的一点是，表型的形成是由多个基因之间的复杂相互作用而非单个基因所组成的途径介导的。高通量分析的最新发展与复杂的计算工具相结合，使得对这种相互作用进行建模并获得系统级的理解。

过去已经开发了几个商业和非商业软件包来模拟基因交互作用。基于Ontology的软件包[1,2]传统上，依赖于先验知识的方法被用于从现有的记录路径中识别在给定实验中丰富的路径。商业软件包（Ingenuity Pathway Analysis，Ingenuiity Systems，Redwood City，CA）和（Pathways Studio，Ariadne Genomics，Rockville，MD）提供了菜单驱动的GUI，用于从已发表的文献中检索给定基因集的功能关系。值得注意的是，这些技术基于记录的路径和跨不同来源的知识汇集得出结论。这反过来又会使结论变得杂乱无章，因为基因和FRs可能在研究中表现出相当大的差异。这种方法还隐含地依赖于先验信息，因此在发现新的FRs方面可能用处有限。最近的研究提供了非规范信号机制和路径间串扰的有力证据[三,4]这要求从给定数据推断网络结构，而不是从记录/管理的路径直接推断。

贝叶斯结构学习（BSL）技术[5]已成功用于以图形的形式推断一组给定基因之间的相互作用。基因表达的内在概率性以及高通量分析的可及性，有助于同时测量转录、翻译和翻译后活性[4]是它们广泛使用的一些原因。带有干预措施的基因表达数据[4]最近的研究表明，贝叶斯网络模型可以改进得出的结论[4]. 基因表达的概率机制可归因于细胞群体内部/之间固有的噪音和异质性[6]. 高通量分析，如微阵列[7,8]克隆基因表达谱[9]与BSL联合使用[10]过去曾被成功用于捕获转录水平上的功能关系。最近，来自单个细胞的高通量流式细胞术数据与BSL相结合，用于获得翻译和翻译后数据的系统级理解[4].

有几个开源软件包可用于BSL，并可用于建模基因网络[11–13]. 然而，这些包要求用户熟悉编程环境和语法。NATbox，图。1旨在通过提供菜单驱动的GUI来建模和分析基因表达网络，从而克服其中一些障碍。它调用现有R包中的函数来完成此操作[14]. 在开放源代码环境中强烈鼓励重用现有功能，可以在提高透明度、再现性和可持续性的同时将冗余降至最低。NATbox的目标受众是希望探索系统生物学和网络建模工具以研究信号机制的跨学科研究人员和生物学家。NATbox不要求用户熟悉R编程或复杂的算法。根据用户的要求提供合适的参数建议和常用的默认参数选择。与任何R包一样，NATbox是开源的，因此可以由具有R专业知识的用户自定义。工具箱附带一个详细的Wiki帮助页面，提供了工具箱功能的系统概述以及AT示例http://bioinformatics.ualr.edu/natboxWiki/index.php/Main_Page.

图1

网络分析工具箱（NATbox）。网络分析工具箱（NATbox）的屏幕截图，显示主菜单和贝叶斯结构学习（BSL）界面，以及参数建议和默认值。

结果

在详细描述NATbox功能之前，我们简要回顾了密切相关的包BNArray的功能[13]它旨在从现有的软件包中为基因网络建模提供R例程的高级抽象。BNArray是一个命令行驱动的包，用户需要熟悉R环境[14]和语法。它由四个主要模块组成(我)使用函数确定给定数据中缺少的值LL模拟也在R包中实施多杀螨类[15] (二)使用R包中的BSL例程学习非循环网络结构处理[16]. 随后通过调用R包中的函数来显示图形动态图形[17] (三)确定作者所说的1^标准使用重采样过程对网络结构进行排序，以及(iv（四）)使用扩展版本的CODENSE算法重建相干次调节网络[18]. 在下面的讨论中，我们描述了NATbox的特性，并系统地比较了BNArray中实现的特性。

表中也包含了比较结果1进行快速回顾。

表1 NATbox和BNArray主要特性比较

i、。 图形用户界面：NATbox提供了一个方便的菜单驱动的图形用户界面（GUI），该界面使用Tcl/Tk开发，用于基因表达网络的建模和分析。这必须与BNArray进行对比[13]，这是一个命令行驱动的包，要求用户熟悉R环境和语法。

ii、。 输入/输出：NATbox中的输入数据假定为以制表符分隔的文本格式，类似于BNArray的格式。在NATbox中，输入文件的行表示独立的实验，而列代表基因的名称。然而，在BNArray中，行表示感兴趣的基因，列表示它们在实验中的表达。与NATbox不同，BNArray没有指定实验需要独立还是依赖。

（三）。 缺少值：基因表达谱通常缺少值。例如，在微阵列数据中，这种缺失值很常见，可能归因于实验伪影、不当杂交和探针的非特异性结合。谨慎的做法是使用适当的统计技术来容纳这些数据集，而不是丢弃它们。NATbox提供了一个使用最近邻平均法确定缺失值的选项(菜单:文件),插补.knn（R包装插补)它在高维数据集上表现良好[19]. BNArray还提供了一种基于邻域的插补技术，即最小局部平方(LLS计算机)[15]用于确定缺失值的算法。LLSImpute算法的一个版本也可以通过（R包获得聚碳酸酯).

（四）。 功能关系：NATbox提供了使用R包中的一组贝叶斯结构学习技术来建模功能关系的选项(bn学习)[20] (菜单:贝叶斯网络). 值得注意的是，在缺乏明确的时间信息的情况下，他们仅根据联合概率分布对网络结构进行建模。制表符分隔的输入数据应该是矩阵的形式，其中列表示基因的数量，行表示重复（独立）实验的数量。矩阵中的每个元素表示给定实验中该基因的表达值。

基于条件独立性测试结果对网络进行建模的NATbox中基于约束的技术包括：

• 增长-收缩算法（GS）[21]：GS基于增长-收缩马尔可夫毯，这是第一个（也是最简单的）马尔可夫地毯检测算法。

• 增量关联马尔可夫覆盖算法（IAMB）[22]：IAMB基于马尔可夫覆盖检测算法。它使用两阶段选择方案。前向选择，然后尝试删除误报，误报可扩展到数千个变量。

• 快速增量关联马尔可夫覆盖算法（Fast-IAMB）[23]：Fast-IAMB是IAMB的变体，它使用推测性逐步向前选择来减少条件独立性测试的数量。

• 交错增量关联马尔可夫覆盖算法（Inter-IAMB）[22]：Inter-IAMB是IAMB的另一个变体，它使用正向逐步选择来避免马尔可夫覆盖检测阶段的误报。尽管它通常需要比其他IAMB变体更多的条件测试，但它仍然能够扩展到数千个变量，同时保持对误报的鲁棒性。

• 最大最小父子算法（MMPC）[24]：MMPC是一种基于最小关联测度最大化的邻域检测前向选择技术。它学习贝叶斯的基本结构。

分类/离散条件独立性测试的几种选择(互信息，高斯分布数据的互信息，快速互信息，皮尔逊χ²,Akaike信息准则)以及数值/连续分布(线性相关，费希尔Z)提供了。NATbox还为搜索和得分算法（HC、爬山)来自bn学习.HC搜索模型空间并使用同样提供的评分标准检索最佳模型。分类/离散评分标准有多种选择(多项式似然、多项式对数似然、Akaike信息准则、贝叶斯信息准则、Bayesian Dirichlet评分、K2评分)和数值/连续分布(高斯后验密度). 每种BSL技术都是在隐含假设下工作的，当违反这些假设时，可能会导致虚假结论。NATbox提供了一系列BSL技术来缓解这种担忧。例如，基于约束的技术可能受样本大小的影响，并且对条件独立性测试的初始结果很敏感。与基于约束的方法不同，搜索和评分算法可以导致局部最优，因此可以从多次随机重启中获益。

另一方面，BNArray[13]使用中实现的BSL技术的贪婪搜索实现处理学习网络结构。需要注意的是处理非常适合搬运混合数据类型由连续数据类型和离散数据类型组成。尽管作者[13]BNArray的已证明其方法在时间基因表达谱上的性能，尚不清楚是否处理该算法在结构学习期间适应这种时间显式信息。这与NATbox不同，后者从bn学习学习网络结构同质的基因表达谱特征的数据类型，即连续或离散数据集。

（v）。 引导程序并行化：Bootstrap技术通常用于从给定的经验样本进行置信度估计。信心[7]边缘的确定是通过对给定的经验数据进行替换来实现的。置信度大于用户定义阈值（0）的边<θ＜1）被认为是稳健的。引导程序对高维数据集的计算要求很高。搜索和评分技术（如爬山）隐含地要求在置信度评估期间多次随机重启。NATbox提供了一个选项，通过从R包中调用适当的例程，在多处理器或多核处理器之间并行进行引导下雪(简单工作站网络)[25]. 这种并行化属于令人尴尬的并行问题。然而，它们可以显著降低总体时间复杂性。随着处理器数量的增加，BSL例程本身的并行化并没有产生任何显著的改进。我们认为这可能是由于主-辅配置在SNOW中固有的开销所致。此事仍在调查中。蛋白质表达数据的BSL上引导和处理器数量增加的各种结构学习算法的性能[4]如图所示。2随着处理器数量的增加，计算时间显著减少。在三种算法（GS、IAMB和MMPC）和1000引导模拟中，1个处理器的计算时间几乎是8个处理器的5倍。

图2

具有bootstrap并行化的BSL性能随着处理器数量的增加，三种BSL技术（GS、IAMB和MMPC）的性能(净现值=1、2、4、6和8）和1000引导模拟，跨8处理器Linux机器进行数据[4]. 每种算法在(净现值=8）与(净现值= 1).

引导的结果将写入一个以tab分隔的文件中。还提供了一个选项，用于突出显示稳健的财务报告(θ>0.8）在从给定数据中学习的非循环图上，图。三.BNArray还实现了引导程序例程，以确定作者所称的一阶网络结构。与NATbox不同，BNArray不提供任何引导程序并行化选项。BNArray使用包中的例程动态图形[17]用于可视化生成的非循环网络。

图3

强调稳健的财务报告.使用增长-收缩（GS）算法从数据中学习的网络结构[4]. 稳健FR被认为是置信度大于用户定义阈值的FR(θ>0.8），以红色突出显示。

此外，NATbox GUI还通过以下方式提供了在BSL中合并（定向）结构优先级的选项白名单（包括）和列入黑名单（不包括）财务报告。这些先验知识对网络结构施加了约束，网络结构隐含地依赖于先验知识，需要谨慎选择，以避免学习过程中的偏见。然而，正确的选择可以减轻不确定性并提高结论的准确性。提供了一个文本检索接口，用于识别结构先验，并可用于研究已建立的信号机制。

不及物动词。 网络分析指标：BSL技术有助于从基因表达谱推断因果关系和网络结构。然而，它们无法深入了解网络的拓扑属性。NATbox结合了社交网络分析指标和包中的主题查找器(记录仪)[26]低于(菜单:网络分析指标)用于研究使用BSL技术生成的网络的拓扑特性。此类指标在调查大型网络时特别有用。假设输入是使用BSL构建的网络的二进制邻接矩阵，其中1和0分别表示有无边。由于BSL导致有向非循环图，因此相应的二进制邻接矩阵不必是对称的。中心性度量(度中心性、贴近中心性、中间中心性、α中心性)为用户提供了各自的参数选项。关于这些中心性度量的详细讨论推迟到[26,27]. 度中心性是一种常用的中心性度量方法，大致分为外度（节点向外的边）和内度（节点内的边）。度中心性的分布已经被广泛研究，并为网络的拓扑结构提供了重要的见解。最近的研究阐明了幂律度分布在生物网络中的普遍性[28]. 这种幂律分布可能伴随着有趣的特性，例如枢纽（关键基因）的存在和与指数度分布不同的无标度现象。幂律度分布的合理性可能具有挑战性，特别是当关于分布尾部的信息不足时[29]. 中间性中心性有助于识别在其他基因之间起重要中介作用的基因，尽管它们本身可能并不与所有包紧密相连。具有高度中间性中心性的基因可能在弥合紧密连接的亚群之间的差距方面发挥重要作用。另一方面，亲密中心性在识别直接或间接依赖于其他基因的基因方面是有用的。菜单还提供了一个选项，通过从以下位置调用相应的函数来确定直径并识别给定网络中大小为3和4的重复结构或图案记录仪[26]. 基序是频率分布不同于随机网络的循环原子结构。最近的研究确定了某些特定的基序在不同的现实世界网络中持续存在[30]. 这个记录仪NATBox中的软件包还提供了以与Cytoscape兼容的格式保存非循环网络的选项[31]以获得详细的可视化效果。

vii、。 从文献检索FRs：最后，NATbox提供了使用NCBI检索感兴趣的FR的选项E搜索(菜单:文本检索). 用户可以选择输入(一)通过GUI或(b条)上传感兴趣的FRs或bootstrap程序确定为健壮的FRs的两列矩阵。对于有充分文档记录的研究，一种综合方法将文本检索（结构性优先）证明选择列入白名单（包括）和/或列入黑名单BSL中的（边缘）文本检索结果是html格式的，带有一个PUBMED标识符列表，该列表超链接到PUBMED中的各个摘要/文章[4]如图所示。4.

图4

结构化优先级的文本检索接口.文本检索界面（html文件）的结果显示了表达数据的BSL识别的一个健壮FRs（PIP2-PIP3）上的先前文献（PubMed标识符）[4]. 这些结果反过来可用于施加结构先验，从而细化BSL。

结论

基因表达网络的建模和分析是一个活跃的研究领域。文献中也提出了一些相同的工具。最近，贝叶斯结构学习（BSL）技术结合高通量分析被成功用于捕获功能关系。现有的软件包可能要求用户具有相当多的编程专业知识。NATbox提供了一个方便的菜单驱动GUI以及适当的参数建议，包括用于基因表达网络建模和分析的默认参数选择。它集成了现有R包的多种功能。这反过来又鼓励了开源环境的透明性和再现性。NATbox还可以用作系统生物学研究生课程的教学和演示工具。工具箱的近期增强功能包括(我)扩展包括动态贝叶斯网络在内的结构学习算法的选择(二)改进网络特征的统计推断(二)在BSL函数的多核和多处理器机器上实现的例程的并行化以及引导(三)提供网络接口，以避免本地安装工具箱的需要(iv（四）)增强文本检索以适应高级文本挖掘方法。