✖


Jump to content

Вывод биологической сети

Вывод о биологических сетях — это процесс формирования выводов и прогнозов о биологических сетях . [1] Используя эти сети для анализа закономерностей в биологических системах, таких как пищевые сети, мы можем визуализировать природу и силу этих взаимодействий между видами, ДНК, белками и многим другим.

Анализ биологических сетей в отношении болезней привел к развитию области сетевой медицины . [2] Недавние примеры применения теории сетей в биологии включают приложения для понимания клеточного цикла. [3] а также количественную основу для процессов развития. [4] Хороший сетевой вывод требует правильного планирования и проведения эксперимента, тем самым обеспечивая качественный сбор данных. Оптимальный план эксперимента в принципе относится к использованию статистических и/или математических концепций для планирования сбора данных. Это должно быть сделано таким образом, чтобы информационное содержание данных обогащалось и собирался достаточный объем данных с достаточным количеством технических и биологических повторов, где это необходимо. [ нужна ссылка ]

Шаги

[ редактировать ]

Общий цикл моделирования биологических сетей выглядит следующим образом: [ нужна ссылка ]

  1. Предварительные знания
    • Включает тщательный поиск литературы и базы данных или получение мнения эксперта.
  2. Выбор модели
  3. Гипотеза/предположения
  4. Экспериментальный дизайн
  5. Сбор данных
    • Обеспечьте сбор высококачественных данных с измерением всех необходимых переменных.
  6. Сетевой вывод
    • Этот процесс является математически строгим и требует больших вычислительных затрат.
  7. Доработка модели
    • Перекрестно проверьте, насколько результаты соответствуют ожиданиям. Процесс завершается после получения хорошей модели, соответствующей данным, в противном случае возникает необходимость повторной настройки модели.

Биологические сети

[ редактировать ]

Сеть — это набор узлов и набор направленных или ненаправленных ребер между узлами. Существует множество типов биологических сетей, включая транскрипционные, сигнальные и метаболические. Лишь немногие такие сети известны в какой-либо степени, приближающейся к их полной структуре, даже у простейших бактерий . Еще меньше известно о параметрах, определяющих поведение таких сетей во времени, о том, как взаимодействуют сети на разных уровнях клетки и как предсказать полное описание состояния эукариотической клетки или бактериального организма в данный момент в будущем. Системная биология в этом смысле все еще находится в зачаточном состоянии. [ нужна ссылка ] .

Существует большой интерес к сетевой медицине для моделирования биологических систем . Эта статья посвящена выводу о структуре биологической сети с использованием растущих наборов данных об экспрессии генов , белков и метаболитов с высокой пропускной способностью . [10] Короче говоря, методы, использующие данные с высокой пропускной способностью для вывода о регуляторных сетях, основаны на поиске закономерностей частичной корреляции или условных вероятностей, которые указывают на причинное влияние. [7] [11] Такие закономерности частичных корреляций, обнаруженные в данных высокой пропускной способности, возможно, в сочетании с другими дополнительными данными о генах или белках в предлагаемых сетях или в сочетании с другой информацией об организме, формируют основу, на которой работают такие алгоритмы . Такие алгоритмы могут быть полезны для определения топологии любой сети, в которой изменение состояния одного узла может повлиять на состояние других узлов.

Транскрипционные регуляторные сети

[ редактировать ]

Гены — это узлы, а ребра — направлены. Ген служит источником прямого регуляторного края гена-мишени, производя молекулу РНК или белка, которая действует как активатор или ингибитор транскрипции гена-мишени. Если ген является активатором, то он является источником положительной регуляторной связи; если ингибитор, то он является источником отрицательной регуляторной связи. Вычислительные алгоритмы принимают в качестве первичных входных данных измерения уровней экспрессии мРНК рассматриваемых генов для включения в сеть, возвращая оценку топологии сети . Такие алгоритмы обычно основаны на предположениях о линейности, независимости или нормальности, которые необходимо проверять в каждом конкретном случае. [12] Кластеризация или какая-либо форма статистической классификации обычно используется для первоначальной организации значений экспрессии мРНК с высокой пропускной способностью, полученных в результате экспериментов на микрочипах, в частности, для выбора наборов генов в качестве кандидатов в узлы сети. [13] Тогда возникает вопрос: как результаты кластеризации или классификации могут быть связаны с лежащей в их основе биологией? Такие результаты могут быть полезны для классификации закономерностей – например, для классификации подтипов рака или для прогнозирования дифференциальных реакций на лекарство (фармакогеномика). Но чтобы понять взаимоотношения между генами, то есть более точно определить влияние каждого гена на другие, ученые обычно пытаются реконструировать сеть регуляции транскрипции.

Сети совместной экспрессии генов

[ редактировать ]
Основная статья: Сеть совместной экспрессии генов

Сеть совместной экспрессии генов представляет собой неориентированный граф , где каждый узел соответствует гену , а пара узлов соединена ребром, если коэкспрессии между ними существует значительная связь .

Преобразование сигнала

[ редактировать ]
Основная статья: Преобразование сигнала

Сети сигнальной трансдукции используют белки для узлов и направленных ребер, чтобы представить взаимодействие, при котором биохимическая конформация ребенка изменяется под действием родителя (например, опосредованно фосфорилированием , убиквитилированием, метилированием и т. д.). Первичными входными данными в алгоритм вывода будут данные серии экспериментов по измерению активации/инактивации белков (например, фосфорилирования/дефосфорилирования) в наборе белков. Выводы о таких сигнальных сетях осложняются тем фактом, что общие концентрации сигнальных белков будут колебаться со временем из-за регуляции транскрипции и трансляции. Такие вариации могут привести к статистической путанице . Соответственно, для анализа таких наборов данных необходимо применять более сложные статистические методы. [14] (очень важно в биологии рака)

Метаболическая сеть

[ редактировать ]
Основная статья: Метаболическая сеть

Сети метаболитов используют узлы для представления химических реакций и направленные ребра для метаболических путей и регуляторных взаимодействий, которые направляют эти реакции. Первичными входными данными в алгоритм будут данные серии экспериментов по измерению уровней метаболитов.

Сети белок-белкового взаимодействия

[ редактировать ]
Основная статья: Интерактом

(ПИН), одна из наиболее интенсивно изучаемых сетей в биологии Сети белок-белкового взаимодействия , визуализируют физические взаимоотношения между белками внутри клетки. в PIN белки являются узлами, а их взаимодействия — ненаправленными ребрами. ПИН-коды можно обнаружить различными методами, в том числе; Двухгибридный скрининг , in vitro : коиммунопреципитация , [15] электрофорез в синем нативном геле, [16] и многое другое. [17]

Нейронная сеть

[ редактировать ]
Основная статья: Нейронная сеть

Нейронная сеть состоит из нейронов с каждым узлом и синапсами на краях, которые обычно имеют вес и направленность. веса ребер обычно корректируются путем активации связанных узлов. Сеть обычно состоит из входных слоев, скрытых слоев и выходных слоев.

Пищевые сети

[ редактировать ]
Основная статья: Пищевая сеть

Пищевая сеть — это взаимосвязанный направленный график того, что и что едят в экосистеме. Членами экосистемы являются узлы, и если один из членов съедает другого члена, между этими двумя узлами существует направленное ребро.

Сети внутривидового и межвидового взаимодействия

[ редактировать ]

Эти сети определяются набором парных взаимодействий между видами и внутри них, которые используются для понимания структуры и функций более крупных экологических сетей . [18] Используя сетевой анализ, мы можем обнаружить и понять, как эти взаимодействия связаны друг с другом внутри сети системы. Это также позволяет нам количественно оценивать связи между особями, что позволяет сделать выводы о сети в целом на уровне вида и/или популяции. [19]

Сети хроматина ДНК-ДНК

[ редактировать ]
Основная статья: Хроматин

Сети хроматина ДНК-ДНК используются для уточнения активации или подавления генов посредством относительного расположения нитей хроматина . Эти взаимодействия можно понять, анализируя сходство между различными локусами , фиксированным положением на хромосоме конкретный ген или генетический маркер , где расположен . Сетевой анализ может оказать жизненно важную поддержку в понимании взаимоотношений между различными областями генома.

Генные регуляторные сети

[ редактировать ]
Основная статья: Сеть регулирования генов

Сеть регуляции генов [20] представляет собой совокупность молекулярных регуляторов, взаимодействующих друг с другом и с другими веществами в клетке. Регулятором может быть ДНК , РНК , белок и их комплексы. Сети регуляции генов можно моделировать множеством способов, в том числе; Связанные обыкновенные дифференциальные уравнения, булевы сети, непрерывные сети и стохастические генные сети.

Сетевые атрибуты

[ редактировать ]

Источники данных

[ редактировать ]

Исходные данные, используемые для вывода, могут оказать огромное влияние на точность окончательного вывода. Сетевые данные по своей сути зашумлены и неполны, иногда из-за данных из нескольких источников, которые не перекрываются или противоречат друг другу. Данные можно получать разными способами, включая ручную обработку научной литературы, помещенной в базы данных, наборы данных с высокой пропускной способностью, вычислительные прогнозы и анализ текста старых научных статей, написанных до цифровой эры.

Диаметр сети

[ редактировать ]

Диаметр сети — это максимальное количество шагов, разделяющих любые два узла, и его можно использовать для определения того, насколько связан граф, в анализе топологии и анализе кластеризации.

Транзитивность

[ редактировать ]

Транзитивность или коэффициент кластеризации сети является мерой тенденции узлов группироваться вместе. Высокая транзитивность означает, что сеть содержит сообщества или группы узлов, которые тесно связаны внутри. В биологических сетях нахождение этих сообществ очень важно, поскольку они могут отражать функциональные модули и белковые комплексы. [21] Неопределенность связности может исказить результаты, и ее следует учитывать при расчете транзитивности и других топологических дескрипторов для предполагаемых сетей. [9]

Уверенность в сети

[ редактировать ]

Доверие к сети — это способ измерить, насколько можно быть уверенным в том, что сеть представляет собой реальное биологическое взаимодействие. Мы можем сделать это с помощью контекстуальной биологической информации, подсчитав, сколько раз о взаимодействии сообщается в литературе, или сгруппировать различные стратегии в единый балл. Метод MIscore для оценки достоверности данных белок-белкового взаимодействия основан на использовании стандартов. [22] MIscore дает оценку доверительного взвешивания всех доступных данных о взаимодействующей паре белков. Метод позволяет взвешивать доказательства, предоставленные из разных источников, при условии, что данные представлены в соответствии со стандартами, созданными консорциумом IMEx. Весами являются количество публикаций, метод обнаружения, тип доказательства взаимодействия.

Близость

[ редактировать ]
Основная статья: Близость

Близость, также известная как центральность близости, является мерой центральности в сети и рассчитывается как обратная сумма длин кратчайших путей между узлом и всеми другими узлами в графе. Эту меру можно использовать для получения выводов во всех типах графиков и методах анализа.

Посредничество

[ редактировать ]
Основная статья: Между

Промежуточность, также известная как центральность посредничества, — это мера центральности в графе, основанном на кратчайших путях. Посредничество для каждого узла — это количество кратчайших путей, проходящих через узел.

Методы сетевого анализа

[ редактировать ]
Основная статья: Теория сетей

Для наших целей сетевой анализ тесно связан с теорией графов . Измеряя атрибуты, описанные в предыдущем разделе, мы можем использовать множество различных методов для создания точных выводов на основе биологических данных.

Анализ топологии

[ редактировать ]

Анализ топологии анализирует топологию сети для выявления соответствующих участников и подструктур, которые могут иметь биологическое значение. Этот термин охватывает целый класс методов, таких как поиск сетевых мотивов , анализ центральности, топологическая кластеризация и кратчайшие пути. Это всего лишь несколько примеров, каждый из этих методов использует общую идею сосредоточения внимания на топологии сети для получения выводов.

[ редактировать ]

Мотив определяется как частый и уникальный подграф. Подсчитав все возможные экземпляры, составив список всех шаблонов и проверив изоморфизмы, мы можем получить важную информацию о сети. Предполагается, что они являются основными строительными блоками сложных биологических сетей. Вычислительные исследования были сосредоточены на совершенствовании существующих инструментов обнаружения мотивов, чтобы помочь биологическим исследованиям и позволить анализировать более крупные сети. На данный момент предложено несколько различных алгоритмов, которые подробно описаны в следующем разделе.

Анализ центральности

[ редактировать ]

Центральность дает оценку того, насколько важен узел или ребро для связности или информационного потока сети. Это полезный параметр в сигнальных сетях, и его часто используют при попытке найти мишени для наркотиков. [23] Чаще всего он используется в PIN-кодах для определения важных белков и их функций. Центральность можно измерить по-разному в зависимости от графа и вопроса, на который необходимо ответить. Они включают в себя степень узлов или количество ребер, соединенных с узлом, глобальные меры центральности или случайные блуждания, которые используются алгоритмом PageRank. Google чтобы присвоить вес каждой веб-странице. [24] На меры центральности могут влиять ошибки из-за шума при измерении и других причин. [25] Следовательно, топологические дескрипторы следует определять как случайную величину с соответствующим распределением вероятностей, кодирующим неопределенность их значения. [9]

Топологическая кластеризация

[ редактировать ]

Топологическая кластеризация или топологический анализ данных (TDA) обеспечивает общую основу для анализа многомерных, неполных и зашумленных данных таким образом, чтобы уменьшить размерность и обеспечить устойчивость к шуму. Идея заключается в том, что форма наборов данных содержит соответствующую информацию. Когда эта информация представляет собой группу гомологии , существует математическая интерпретация, которая предполагает, что признаки, сохраняющиеся для широкого диапазона параметров, являются «истинными» признаками, а признаки, сохраняющиеся только для узкого диапазона параметров, являются шумом, хотя теоретическое обоснование этого неясно. . [26] Этот метод использовался для анализа прогрессирования заболевания. [27] [28] вирусная эволюция, [29] распространение инфекций в сетях, [30] классификация бактерий с помощью молекулярной спектроскопии, [31] и многое другое в биологии и за ее пределами.

Кратчайшие пути

[ редактировать ]

Задача о кратчайшем пути — это распространенная задача в теории графов, которая пытается найти путь между двумя вершинами (или узлами) в графе так, чтобы сумма весов составляющих его ребер была минимизирована. Этот метод можно использовать для определения диаметра сети или избыточности в сети. для этого существует множество алгоритмов, включая алгоритм Дейкстры , алгоритм Беллмана-Форда и алгоритм Флойда-Уоршалла , и это лишь некоторые из них.

Кластерный анализ

[ редактировать ]

Кластерный анализ группирует объекты (узлы) так, что объекты в одном кластере больше похожи друг на друга, чем на объекты в других кластерах. Это можно использовать для распознавания образов , анализа изображений , поиска информации , анализа статистических данных и многого другого. Он находит применение в растений и животных экологии , анализе последовательностей, анализе антимикробной активности и во многих других областях. Алгоритмы кластерного анализа также бывают разных форм, таких как иерархическая кластеризация , кластеризация k-средних , кластеризация на основе распределения, кластеризация на основе плотности и кластеризация на основе сетки.

Анализ обогащения аннотаций

[ редактировать ]

Базы данных аннотаций генов обычно используются для оценки функциональных свойств экспериментально полученных наборов генов. Анализ обогащения аннотаций (AEA) используется для преодоления систематических ошибок из-за перекрывающихся статистических методов, используемых для оценки этих ассоциаций. [32] Он делает это, используя аннотации генов/белков, чтобы сделать вывод, какие аннотации перепредставлены в списке генов/белков, взятых из сети.

Инструменты сетевого анализа

[ редактировать ]
Инструменты сетевого анализа
Сеть Инструменты анализа
Транскрипционные регуляторные сети ФАНМУД, [33] чип-на-чипе, [34] позиция-вес

матрицы, [34] ВыровнятьACE, [34] МДСкан, [34]

МЕМ, [34] УМЕНЬШАТЬ [34]

Сети совместной экспрессии генов ФАНМОД, Парный дизайн, [35] ВГКНА [36]
Преобразование сигнала ФАНМОД, PathLinker [37]
Метаболическая сеть FANMOD, Pathway Tools , Ergo , KEGGtranslator , ModelSEED
Сети белок-белкового взаимодействия ФАНМОД, НЕТБОКС, [38] Текстовый майнинг, [39] НИТЬ
Нейронная сеть FANMOD, Нейронный дизайнер , Нейроф , Даркнет
Пищевые сети ФАНМОД, РКН , Р
Сети внутривидового и межвидового взаимодействия ФАНМОД,НЕТБОКС
ДНК-ДНК хроматиновые сети ФАНМУД,
Сети регулирования генов ФАНМУД,

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Меркателли Д., Скаламбра Л., Триболи Л., Рэй Ф., Джорджи Ф.М. (июнь 2020 г.). «Ресурсы для вывода о генной регуляторной сети: практический обзор». Biochimica et Biophysica Acta (BBA) - Механизмы регуляции генов . 1863 (6): 194430. doi : 10.1016/j.bbagrm.2019.194430 . ПМИД   31678629 . S2CID   207895066 .
  2. ^ Барабаси А.Л., Гулбахче Н., Лоскальцо Дж. (январь 2011 г.). «Сетевая медицина: сетевой подход к болезням человека» . Обзоры природы. Генетика . 12 (1): 56–68. дои : 10.1038/nrg2918 . ПМК   3140052 . ПМИД   21164525 .
  3. ^ Джаилхани Н., Равичандран С., Хегде С.Р., Сиддики З., Манде С.К., Рао К.В. (декабрь 2011 г.). «Определение ключевых регуляторных элементов определяет точки уязвимости в сигнальной сети, активируемой митогеном» . Геномные исследования . 21 (12): 2067–2081. дои : 10.1101/гр.116145.110 . ПМК   3227097 . ПМИД   21865350 .
  4. ^ Джексон, доктор медицинских наук, Дюран-Небреда С., Бассель Г.В. (октябрь 2017 г.). «Сетевые подходы к количественной оценке многоклеточного развития» . Журнал Королевского общества, Интерфейс . 14 (135): 20170484. doi : 10.1098/rsif.2017.0484 . ПМЦ   5665831 . ПМИД   29021161 .
  5. ^ ван Сомерен Э.П., Весселс Л.Ф., Бэкер Э., Рейндерс М.Дж. (июль 2002 г.). «Генетическое сетевое моделирование». Фармакогеномика . 3 (4): 507–525. дои : 10.1517/14622416.3.4.507 . ПМИД   12164774 .
  6. ^ Банф М., Ри С.Ю. (январь 2017 г.). «Вычислительный вывод сетей регуляции генов: подходы, ограничения и возможности» . Biochimica et Biophysica Acta (BBA) - Механизмы регуляции генов . 1860 (1): 41–52. дои : 10.1016/j.bbagrm.2016.09.003 . ПМИД   27641093 .
  7. ^ Перейти обратно: а б Марбах Д., Костелло Дж.К., Кюффнер Р., Вега Н.М., Прилл Р.Дж., Камачо Д.М. и др. (июль 2012 г.). «Мудрость толпы для надежного вывода генной сети» . Природные методы . 9 (8): 796–804. дои : 10.1038/nmeth.2016 . ПМЦ   3512113 . ПМИД   22796662 .
  8. ^ Фейт Дж.Дж., Хайете Б., Таден Дж.Т., Моньо И., Вежбовски Дж., Коттарель Г. и др. (январь 2007 г.). «Крупномасштабное картирование и проверка регуляции транскрипции Escherichia coli на основе сборника профилей экспрессии» . ПЛОС Биология . 5 (1): e8. doi : 10.1371/journal.pbio.0050008 . ПМЦ   1764438 . ПМИД   17214507 .
  9. ^ Перейти обратно: а б с Раймондо С., Де Доменико М. (февраль 2021 г.). «Измерение топологических дескрипторов сложных сетей в условиях неопределенности». Физический обзор E . 103 (2–1): 022311. arXiv : 2009.06326 . Бибкод : 2021PhRvE.103b2311R . дои : 10.1103/PhysRevE.103.022311 . ПМИД   33735966 . S2CID   221655165 .
  10. ^ Тьери П., Фарина Л., Петти М., Астольфи Л., Паси П., Кастильоне Ф. (2018). «Сетевой вывод и реконструкция в биоинформатике». Энциклопедия биоинформатики и вычислительной биологии . 2 : 805–813. дои : 10.1016/B978-0-12-809633-8.20290-2 . ISBN  9780128114322 . S2CID   65155962 .
  11. ^ Спрайты П, Гламур С, Шайнс Р (2000). Причинно-следственная связь, прогнозирование и поиск: адаптивные вычисления и машинное обучение (2-е изд.). МТИ Пресс .
  12. ^ Оутс CJ, Мукерджи С. (сентябрь 2012 г.). «Сетевой вывод и биологическая динамика» . Анналы прикладной статистики . 6 (3): 1209–1235. arXiv : 1112.1047 . дои : 10.1214/11-AOAS532 . ПМЦ   3533376 . ПМИД   23284600 .
  13. ^ Гутке Р., Мёллер У., Хоффман М., Тис Ф., Тёпфер С. (апрель 2005 г.). «Динамическая реконструкция сети на основе данных об экспрессии генов, применяемая к иммунному ответу во время бактериальной инфекции» . Биоинформатика . 21 (8): 1626–1634. doi : 10.1093/биоинформатика/bti226 . ПМИД   15613398 .
  14. ^ Оутс CJ, Мукерджи С. (2012). «Структурный вывод с использованием нелинейной динамики». Рабочий документ CRiSM . 12 (7).
  15. ^ Исоно Э., Швеххаймер С (2010). «Коиммунопреципитация и белковые блоты». В Хенниг Л., Кёлер С. (ред.). Биология развития растений . Методы молекулярной биологии. Том. 655. Тотова, Нью-Джерси: Humana Press. стр. 377–387. дои : 10.1007/978-1-60761-765-5_25 . ISBN  978-1-60761-765-5 . ПМИД   20734274 .
  16. ^ Виттиг И, Браун Х.П., Шеггер Х (июнь 2006 г.). «Голубая родная СТРАНИЦА». Протоколы природы . 1 (1): 418–428. дои : 10.1038/нпрот.2006.62 . ПМИД   17406264 . S2CID   19715017 .
  17. ^ Мирник Дж.А., Телен Дж.Дж. (февраль 2008 г.). «Биохимические подходы к обнаружению белок-белковых взаимодействий» . Заводской журнал . 53 (4): 597–609. дои : 10.1111/j.1365-313X.2007.03316.x . ПМИД   18269571 .
  18. ^ Баскомпт Дж. (июль 2009 г.). «Распутывание паутины жизни». Наука . 325 (5939): 416–419. Бибкод : 2009Sci...325..416B . дои : 10.1126/science.1170749 . ПМИД   19628856 . S2CID   2249052 .
  19. ^ Крофт Д.П., Краузе Дж., Джеймс Р. (декабрь 2004 г.). «Социальные сети у гуппи (Poecilia reticulata)» . Слушания. Биологические науки . 271 (Приложение 6): S516–S519. дои : 10.1098/rsbl.2004.0206 . ПМК   1810091 . ПМИД   15801620 .
  20. ^ Эммерт-Штрайб Ф., Демер М., Хайбе-Кайнс Б. (2014). «Сети регуляции генов и их применение: понимание биологических и медицинских проблем с точки зрения сетей» . Границы клеточной биологии и биологии развития . 2 : 38. doi : 10.3389/fcell.2014.00038 . ПМК   4207011 . ПМИД   25364745 .
  21. ^ Ся CW, Хо МЮ, Шуй ХА, Цай CB, Ценг MJ (февраль 2015 г.). «Анализ интерактома клеток дермального сосочка с использованием базы данных STRING для определения эффекта ингибирования роста волос ex vivo препарата алкалоида барвинка, колхицина» . Международный журнал молекулярных наук . 16 (2): 3579–3598. дои : 10.3390/ijms16023579 . ПМЦ   4346914 . ПМИД   25664862 .
  22. ^ Вильявесес Х.М., Хименес Р.К., Поррас П., Дель-Торо Н., Дьюсбери М., Дюмуссо М. и др. (01.01.2015). «Объединение и оценка молекулярных взаимодействий с использованием существующих стандартов сообщества: инструменты, примеры использования и тематическое исследование» . База данных . 2015 : бау131. дои : 10.1093/база данных/bau131 . ПМК   4316181 . ПМИД   25652942 .
  23. ^ ЭМБЛ-ЭБИ. «Центральный анализ | Сетевой анализ данных о взаимодействии белков» . Проверено 5 мая 2022 г.
  24. ^ Брин С., Пейдж L (1 апреля 1998 г.). «Анатомия крупномасштабной гипертекстовой поисковой системы в Интернете». Компьютерные сети и системы ISDN . Материалы седьмой Международной конференции по всемирной паутине. 30 (1): 107–117. дои : 10.1016/S0169-7552(98)00110-X . ISSN   0169-7552 . S2CID   7587743 .
  25. ^ Кэнтуэлл Г.Т., Лю Ю., Майер Б.Ф., Шварце АК, Серван К.А., Снайдер Дж., Сент-Онж Дж. (июнь 2020 г.). «Пороговое ограничение нормально распределенных данных создает сложные сети». Физический обзор E . 101 (6–1): 062302. arXiv : 1902.08278 . Бибкод : 2020PhRvE.101f2302C . дои : 10.1103/PhysRevE.101.062302 . PMID   32688475 . S2CID   67856476 .
  26. ^ Карлссон Г (2009). «Топология и данные» . Бюллетень Американского математического общества . 46 (2): 255–308. дои : 10.1090/S0273-0979-09-01249-X . ISSN   0273-0979 .
  27. ^ Шмидт С., Пост ТМ, Боруджерди М.А., ван Кестерен С., Плёгер Б.А., Паскуа О.Э., Данхоф М. (2011). «Анализ прогрессирования заболевания: к моделям, основанным на механизмах». В Кимко Х.Х., Пек CC (ред.). Моделирование клинических исследований: применение и тенденции . Достижения AAPS в серии фармацевтических наук. Том. 1. Нью-Йорк, штат Нью-Йорк: Спрингер. стр. 433–455. дои : 10.1007/978-1-4419-7415-0_19 . ISBN  978-1-4419-7415-0 .
  28. ^ Николау М., Левин А.Дж., Карлссон Дж. (апрель 2011 г.). «Анализ данных на основе топологии идентифицирует подгруппу рака молочной железы с уникальным мутационным профилем и отличной выживаемостью» . Труды Национальной академии наук Соединенных Штатов Америки . 108 (17): 7265–7270. Бибкод : 2011PNAS..108.7265N . дои : 10.1073/pnas.1102826108 . ПМК   3084136 . ПМИД   21482760 .
  29. ^ Чан Дж. М., Карлссон Г., Рабадан Р. (ноябрь 2013 г.). «Топология вирусной эволюции» . Труды Национальной академии наук Соединенных Штатов Америки . 110 (46): 18566–18571. Бибкод : 2013PNAS..11018566C . дои : 10.1073/pnas.1313480110 . ПМЦ   3831954 . ПМИД   24170857 .
  30. ^ Тейлор Д., Климм Ф., Харрингтон Х.А., Крамар М., Мишайков К., Портер М.А., Муха П.Дж. (июль 2015 г.). «Топологический анализ данных карт заражения для изучения процессов распространения в сетях» . Природные коммуникации . 6 (1): 7723. arXiv : 1408.1168 . Бибкод : 2015NatCo...6.7723T . дои : 10.1038/ncomms8723 . ПМК   4566922 . ПМИД   26194875 .
  31. ^ Оффрой М., Дюпоншель Л. (март 2016 г.). «Топологический анализ данных: многообещающий инструмент исследования больших данных в биологии, аналитической химии и физической химии». Аналитика Химика Акта . 910 : 1–11. Бибкод : 2016AcAC..910....1O . дои : 10.1016/j.aca.2015.12.037 . ПМИД   26873463 .
  32. ^ Гласс К., Гирван М. (февраль 2014 г.). «Анализ обогащения аннотаций: альтернативный метод оценки функциональных свойств наборов генов» . Научные отчеты . 4 (1): 4191. Бибкод : 2014NatSR...4E4191G . дои : 10.1038/srep04191 . ПМЦ   3935204 . ПМИД   24569707 .
  33. ^ Вернике С., Раше Ф (май 2006 г.). «FANMOD: инструмент для быстрого обнаружения сетевых мотивов» . Биоинформатика . 22 (9): 1152–1153. doi : 10.1093/биоинформатика/btl038 . ПМИД   16455747 .
  34. ^ Перейти обратно: а б с д и ж Блейс А., Динлахт Б.Д. (июль 2005 г.). «Построение сетей регуляции транскрипции» . Гены и развитие . 19 (13): 1499–1511. дои : 10.1101/gad.1325605 . ПМИД   15998805 .
  35. ^ Ли Дж., Чжоу Д., Цю В., Ши Ю., Ян Дж.Дж., Чен С. и др. (январь 2018 г.). «Применение анализа сети взвешенной совместной экспрессии генов для получения данных парного дизайна» . Научные отчеты . 8 (1): 622. Бибкод : 2018НатСР...8..622Л . дои : 10.1038/s41598-017-18705-z . ПМК   5766625 . ПМИД   29330528 .
  36. ^ Лю В, Ли Л, Йе Х, Ту В (ноябрь 2017 г.). «[Анализ сети взвешенной совместной экспрессии генов в биомедицинских исследованиях]». Шэн У Гун Ченг Сюэ Бао = Китайский журнал биотехнологии . 33 (11): 1791–1801. дои : 10.13345/j.cjb.170006 . ПМИД   29202516 .
  37. ^ Ритц А., Пуарел К.Л., Тегге А.Н., Шарп Н., Симмонс К., Пауэлл А. и др. (03.03.2016). «Пути по требованию: автоматизированная реконструкция сетей человеческой сигнализации» . npj Системная биология и приложения . 2 (1): 16002. doi : 10.1038/npjsba.2016.2 . ПМК   5516854 . ПМИД   28725467 .
  38. ^ «НетБокс» . био.инструменты . Проверено 5 мая 2022 г.
  39. ^ Хоффманн Р., Краллингер М., Андрес Э., Тамамес Дж., Блашке К., Валенсия А. (май 2005 г.). «Интеллектуальный анализ текста для метаболических путей, сигнальных каскадов и белковых сетей». СТКЭ науки . 2005 (283): пе21. дои : 10.1126/stke.2832005pe21 . ПМИД   15886388 . S2CID   15301069 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Biological_network_inference&oldid=1231726822"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: ddfd4077bb2d2d25be81f126a47327ff__1719689700
URL1:https://arc.ask3.ru/arc/aa/dd/ff/ddfd4077bb2d2d25be81f126a47327ff.html
Заголовок, (Title) документа по адресу, URL1:
Biological network inference - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)