||
细胞特异性因果调控网络识别
细胞动态性本质上由基因调控网络控制,因而从观察数据中识别基因调控关系是系统生物学的一个核心问题。当前,单细胞精度水平的基因表达谱日趋成熟,能够允许大规模研究细胞状态的异质性。相对而言,目前大部分方法只能从群细胞(bulk)水平数据中识别一个静态基因调控网络,因而很难推断子群体之间的差异调控。本溪介绍一种基于漂移和扩散(drift and diffusion)的模型来识别细胞特异性因果调控网络(如图1所示)。
图1 细胞特异性因果调控网络识别论文
以往构建细胞特异性基因调控网络方法主要构建无向(undirected)调控网络,因而很难确定基因调控的方向性。要想推断基因调控的方向性,必然要识别有向量(directd)调控网络,即基因因果调控网络。为了避免使用细胞伪轨迹分析方法,本文将细胞动态视为一个马尔可夫、漂移和扩散过程。
通过一个案例(如图2所示),本文说明了基因因果调控网络与细胞状态密切相关。图2中的A和B模块是两种不同的基因因果调控网络(具有方向性),如果去掉方向性,A和B表示的基因调控网络就是完全一样的。通过著称分析发现,虽然A和B具有相同的骨架(无向基因调控网络一样),但是主成分分析图呈现不同的形式。
图2 案例网络
另外一个比较实验也揭示:要想准确识别基因因果调控网络,选择的核(kernel)模型必须要准确编码时间信息。如图3所示,准确编码时间信息的velo(velocity)和statot(StationaryOT)核模型表现得最好(两种情况下,都能够有较好的AUPR值)。相反,无向和反向velo(velocity)核模型(编码时间信息弱)表现得非常差(AUPR值非常小)。
图3 准确率-召回率曲线图
本文提出的方法虽然进行初步实验来识别细胞特异性因果调控网络,但是其初步结果揭示了因果调控网络在研究细胞特异性调控网络的必要性和重要性。要想解释单细胞基因调控机理,细胞特异性因果调控网络是一个重要突破口。
参考文献
[1] Zhang S Y, Stumpf M P H. Inferring cell-specific causal regulatory networks from drift and diffusion. The 2022 ICML Workshop on Computational Biology. Baltimore, Maryland, USA, 2022.
以往推荐如下:
2. Any RNA
3. 癌症内RNA
4. 一对搭档:计算与生物
5. miRNA组学
7. 细胞通讯推理框架
10. 环状RNAs与衰老
11. 生物网络的关系推断
12. 网络模块识别已20年
13. miRspongeR 2.0版本来了
14. 单细胞测序技术进展
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-23 18:00
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社