Reconstruction de réseaux de gènes à partir de données d'expression par déconvolution centrée autour des hubs ; Gene regulatory network reconstruction from expression data by hub-centered deconvolution
Titel:
Reconstruction de réseaux de gènes à partir de données d'expression par déconvolution centrée autour des hubs ; Gene regulatory network reconstruction from expression data by hub-centered deconvolution
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Les réseaux de régulation de gènes (RRG) sont des graphes dans lesquels les nœuds sont des gènes et les arcs représentent les relations de régulation entre gènes régulateurs et gènes cibles. La topologie d’un RRG est caractérisée par un petit nombre de gènes qui ont un grand nombre de connexions alors que la majorité des autres gènes a peu de connexions. Les nœuds hautement connectés s’appellent des hubs ; ils permettent à deux nœuds quelconques d’être connectés par des chemins relativement courts dans les réseaux peu denses que sont les RRGs. HubNeD (Hub-centered network deconvolution) est une nouvelle méthode qui exploite les propriétés topologiques des RRGs pour les reconstruire à partir des profils d’expression des gènes à l’état d’équilibre. La méthode HubNeD se compose de trois étapes : premièrement, une étape de regroupement des gènes considérés comme uniquement régulés en les regroupant dans des communautés de co-régulation hautement homogènes. Deuxièmement, les hubs du RRG sont sélectionnés à partir des gènes restants en analysant les similitudes de leurs profils de corrélation avec les gènes des communautés de co-régulation. Troisièmement, une matrice d’adjacence est calculée par une déconvolution centrée sur les hubs des scores de corrélation de Pearson. Cette dernière étape pénalise les connexions directes entre deux gènes qui n’ont pas été choisis comme hubs, réduisant ainsi le taux de faux positifs. La stratégie originale consistant à reconstituer le RRG après une étape de sélection des hubs permet à HubNeD d’obtenir les meilleures performances sur les jeux de données d’expression associés aux deux RRGs bien établis de E. Coli et Saccharomyces cerevisiae. ; Gene regulatory networks (GRNs) are graphs in which nodes are genes and edges represent causal relationships from regulator genes, towards their downstream targets. One important topological property of GRNs is that a small number of their nodes have a large number of connections whereas the majority of the genes have few connections. The highly ...