Canalization and Symmetry in Boolean Models for Genetic Regulatory Networks
遗传调控网络的渠道化被认为是进化过程所青睐的,因为它可以赋予表型表达稳定性。我们探讨了大量的渠道化和部分渠道化是否可以出现在纯粹的随机网络中的进化压力的情况下。我们利用遗传调控网络的Kauffman N-K模型中的布尔函数到k维Ising超立方体的映射来证明由于几何约束,这些函数可以严格地分成不同的类.这些类别可以被计算,它们的性质可以用群论和异构体化学的结果来确定。我们证明了部分渠化函数完全支配所有可能的布尔函数,特别是对于较高的k。这表明,即使在随机选择的网络中,部分渠道化也是非常常见的,并且对在天然状态遗传调控网络的实验中可以获得多少信息具有影响。
2007-03-02 cond-mat.stat-mech q-bio.QM
Critical Transitions In a Model of a Genetic Regulatory System
我们考虑遗传系统中的底物耗尽振荡模型,基于一个缓慢演变的外部信号的随机微分方程。我们证明了系统中存在临界过渡。我们采用两种方法来数值测试系统产生的合成时间序列的关键转变的早期指标:一个去趋势波动分析方法,和一种新的拓扑数据分析(持久性图)的基础上的方法。
2014-03-11 cs.CE cs.CG math.AP
Predicting the genetic component of gene expression using gene regulatory networks
本研究提出一种结合基因调控网络(GRN)的基因表达遗传成分预测新方法,通过两步贝叶斯网络建模整合局部与远端遗传变异影响,在多组数据上优于传统局部变异方法,为TWAS相关研究提供新见解。
2024-08-16 q-bio.GN q-bio.MN q-bio.QM
Predicting Genetic Regulatory Response using Classification: Yeast Stress Response
我们提出了一种新的基于分类的算法称为GeneClass学习预测基因调控反应。我们的方法是基于这样的假设,即在简单的生物体如酿酒酵母中,我们可以根据(1)结合位点的存在,(2)实验中调控因子如转录因子的表达水平("亲本“)。因此,我们的学习任务整合了两个性质不同的数据源:跨多个扰动和突变实验的全基因组cDNA微阵列数据以及来自调控序列的基序概况数据。GeneClass不是专注于预测实值基因表达测量的回归任务,而是执行预测+1和-1标签的分类任务,对应于超过微阵列测量中的生物和测量噪声水平的上调和下调。GeneClass使用Adaboost学习算法和基于边缘的决策树泛化,称为交替决策树。在基于Gasch S.酿酒酵母数据集,我们表明,GeneClass方法预测上调和下调举行了高精度的实验。我们探索了一系列与环境应激反应相关的实验设置,我们检索了重要的监管机构,结合位点图案,以及监管机构和结合位点之间的关系,已知与特定的应激反应途径。因此,我们的方法提供了预测假设,建议生物实验,并提供了可解释的遗传调控网络的结构的见解。
2004-06-08 q-bio.QM
Predicting Genetic Regulatory Response Using Classification
我们提出了一种新的基于分类的方法来学习预测基因调控反应。我们的方法是基于这样的假设,即在简单的生物体如酿酒酵母中,我们可以根据(1)结合位点的存在,(2)实验中调控因子如转录因子的表达水平("亲本“)。因此,我们的学习任务整合了两个性质不同的数据源:跨多个扰动和突变实验的全基因组cDNA微阵列数据以及来自调控序列的基序概况数据。我们将预测实值基因表达测量的回归任务转换为预测+1和-1标签的分类任务,对应于超出微阵列测量中的生物和测量噪声水平的上调和下调。所采用的学习算法是基于边缘的决策树泛化,交替决策树。这种大间隔分类器是足够灵活的,以允许复杂的逻辑功能,但足够简单,让洞察到基因调控的组合机制。我们观察到令人鼓舞的预测精度的实验的基础上的Gasch S。酿酒酵母数据集,我们表明,我们可以准确地预测上调和下调举行了实验。因此,我们的方法提供了预测假设,建议生物实验,并提供了可解释的遗传调控网络的结构的见解。
2004-11-12 q-bio.QM
A sparse conditional Gaussian graphical model for analysis of genetical genomics data
遗传基因组学实验现在已经被常规地进行,以测量相同受试者的遗传标记和基因表达数据。基因表达水平通常被视为数量性状,并进行标准遗传分析,以确定基因表达数量基因座(eQTL)。然而,许多基因表达的遗传结构可能是复杂的,并且估计不佳的遗传结构可能会损害在转录水平上对基因的依赖性结构的推断。在本文中,我们引入了一个稀疏的条件高斯图形模型,用于研究一组基因表达之间的条件独立关系,调整可能的遗传效应,其中基因表达与看似无关的回归建模。我们提出了一个有效的坐标下降算法,以获得惩罚估计的回归系数和稀疏浓度矩阵。相应的图可用于确定一组基因之间的条件独立性,同时调整共享的遗传效应。仿真实验和渐近收敛速度和稀疏性来证明我们提出的方法。稀疏性是指所有为零的参数实际上都被估计为零,概率趋于1的性质。我们将我们的方法应用于酵母eQTL数据集的分析,并证明了条件高斯图形模型比仅基于基因表达数据的标准高斯图形模型导致更可解释的基因网络。
2012-02-29 q-bio.QM stat.AP
Perfect Sampling of the Master Equation for Gene Regulatory Networks
本文提出了一种适用于基因调控网络(GRNs)主方程的完美抽样算法。该方法重铸Gillespie的随机模拟算法(SSA)在马尔可夫链蒙特卡罗方法的光,并结合它与过去的主导耦合(DCFTP)算法,以提供保证抽样从平稳分布。我们展示了如何DCFTP-SSA可以一般地应用于遗传网络的线性酶促反应和非线性莫诺和希尔型元素的互连形成的反馈。我们建立严格的界限上的错误和收敛的DCFTP-SSA,相比标准SSA,通过一组日益复杂的例子。一旦GRNs的构建块已经被引入,该算法被应用于研究适当的平均动态特性的两个实验相关的遗传网络:切换开关,一个二维的represilator系统,和represilator,一个六维的遗传振荡器。
2007-04-10 q-bio.GN q-bio.QM
Inferring genetic networks: An information theoretic approach
在后基因组时代,许多努力致力于系统地阐明相互作用的基因和蛋白质的复杂网络。这些努力包括实验和计算方法。微阵列技术为在基因组水平上监测基因表达水平提供了机会。本研究利用信息论的方法,从高通量的基因表达数据出发,提出了一种在粗粒度水平上重建基因调控网络的数学方法。该方法提供了给定基因正调节、负调节或不调节网络基因中的每一个的{ \it后验}概率。这种方法还允许引入先验知识和量化的信息增益从实验数据中使用的推理过程。该信息增益可用于选择在随后的实验中要扰动的基因,以精炼关于基础基因调控网络的结构的知识。所提出的方法的性能进行了研究{ \it在numero}实验。我们的研究结果表明,该方法是适合于集中在大小有限的问题,如,恢复一个小的子网络的利益,通过执行扰动选定的基因。
2009-08-02 q-bio.MN q-bio.QM
Inference of genetic networks from time course expression data using functional regression with lasso penalty
遗传调控网络的统计推断对于理解细胞内调控元件的时间相互作用是必不可少的。对于大型网络的推理,网络结构的识别通常是在网络稀疏性的假设下实现的。当表达实验中的时间点的数量不太小时,我们建议推断常微分方程中的参数使用的技术,从功能数据分析(FDA)的观察到的时间过程的表达数据作为连续时间曲线。对于具有大量基因的网络,我们利用网络的稀疏性,用L_1范数惩罚线性系数。该算法推断网络结构的能力证明使用细胞周期的时间过程数据酿酒酵母。
2008-04-05 q-bio.QM
Mapping eQTL networks with mixed graphical Markov models
由于基因表达性状的高维多变量性质,表达数量性状基因座(eQTL)定位构成了一个具有挑战性的问题。除了混杂因素和其他不需要的变异来源所产生的表达异质性之外,由于遗传、分子和环境的扰动,间接效应遍及基因。从多变量的角度来看,人们希望调整所有这些因素的影响,最终形成一个连接基因型与表型路径的直接关联网络。在本文中,我们接近这个挑战与混合图形马尔可夫模型,高阶条件独立和q阶相关图。这些模型表明,加性遗传效应作为基因-基因相关性的函数通过网络传播。我们的eQTL网络的估计基础上的一个充分研究的酵母数据集导致一个稀疏的结构,更直接的遗传和监管协会,使一个简单的比较遗传控制的基因表达跨染色体。有趣的是,它还揭示了eQTL解释了网络中心基因的大部分表达变异。
2014-10-29 q-bio.GN q-bio.MN q-bio.QM
Modeling delay in genetic networks: From delay birth-death processes to delay stochastic differential equations
延迟是许多生物化学过程的一个重要且普遍存在的方面。例如,延迟在遗传调控网络的动力学中起着核心作用,因为它源于mRNA和蛋白质的顺序组装。因此,遗传调控网络经常被建模为随机出生-死亡过程的延迟。在这里,我们研究延迟生灭过程和适当的近似延迟化学朗之万方程之间的关系。我们证明了这两个描述之间的距离,作为衡量的期望泛函的过程中,收敛到零,随着系统的大小。进一步证明了当系统规模趋于无穷大时,时滞生灭过程收敛到热力学极限。我们的结果适用于固定时滞和分布时滞。模拟表明,延迟化学朗之万近似是准确的,即使在中等规模的系统。它捕获动态特征,如亚稳态系统中过渡路径的空间和时间分布,负反馈电路中的振荡行为,以及网络中节点之间的互相关。总之,这些结果为利用时滞随机微分方程来近似具有时滞的生灭过程的动力学提供了基础。
2014-01-12 math-ph math.MP q-bio.MN
Eliminating fast reactions in stochastic simulations of biochemical networks: a bistable genetic switch
在生物化学反应网络的许多随机模拟中,需要“粗粒度”反应集,去除快速反应,同时保留正确的系统动力学。已经提出了各种粗粒化方法,但仍然不清楚哪些方法是可靠的,哪些反应可以安全地消除。我们解决这些问题的模型基因调控网络,是特别敏感的动态波动:一个双稳态遗传开关。我们删除蛋白质-DNA和/或蛋白质-蛋白质缔合-解离反应的反应集,使用各种粗粒化策略。我们确定对稳态概率分布函数和波动驱动的开关翻转过渡的速率的影响。我们发现,蛋白质相互作用可以安全地从反应集中消除,但蛋白质-DNA相互作用可能不会。我们还发现,重要的是使用化学主方程,而不是宏观速率方程来计算有效的倾向函数的粗粒度反应。
2007-11-28 q-bio.MN q-bio.QM
Learning differential module networks across multiple experimental conditions
模块网络推理是一种重建基因调控网络的统计方法,它利用概率图模型从全基因组基因表达和其他组学数据中学习共调控基因及其上游调控程序的模块。在这里,我们回顾了模块网络推理的基本理论,目前常见的基因调控网络重建方案的基础上,柠檬树软件,并显示,使用人类基因表达数据,该软件也可以应用于学习不同的模块网络在多个实验条件。
2018-02-12 q-bio.GN q-bio.MN q-bio.QM
Robust Regulatory Networks
遗传网络的特征之一是其固有的鲁棒性,也就是说,尽管引入了随机错误,它们仍能保持功能。在本文中,我们试图更好地理解如何实现鲁棒性,以及可以鲁棒地维护哪些功能。我们的目标是在一个合理的数学框架中,将生物学讨论中使用的一些语言形式化,在这个框架中,问题可以以严格的方式回答。这些结果提供了基本的概念理解的强大的调控网络,应该是有价值的独立的形式主义的细节。我们将基因调控网络建模为布尔网络,这是StuartKauffman提出的一种通用且成熟的模型。如果一个布尔网络的节点状态在其不动点处满足某个给定的约束,则称该网络处于可行配置。我们指定突变如何影响布尔网络的行为。如果网络的大多数随机突变都达到了可行的配置,那么网络就是鲁棒的。我们研究中研究的主要问题是:给定固定点配置的约束,是否存在相对于它鲁棒的网络?如果存在,它的结构是什么?我们展示了两个明确的结构强大的网络,以及否定其存在的负面结果。
2009-04-28 cs.CC q-bio.MN q-bio.QM
Information theory, multivariate dependence, and genetic network inference
我们使用最大熵技术定义多个变量之间的依赖关系的概念,并引入一个图形符号来表示的依赖关系。从数据中直接推断信息理论量,即使在联合概率分布不能可靠估计的欠采样状态下,也会发现相关性。该方法进行了测试合成数据。我们预计它将有助于遗传电路和其他生物信号网络的推断。
2004-06-07 cs.IT math.IT math.ST
Advancing Drug Resistance Research Through Quantitative Modeling and Synthetic Biology
抗生素耐药性是一个正在出现的全球健康危机,它正在破坏现代医学的进步,如果不加以缓解,到2050年,全球每年将有1000万人死亡。过去十年的研究表明,相同环境中遗传相同的细胞之间的差异可能导致耐药性。受基因调控网络调节的基因表达波动可能导致非遗传异质性,导致微生物种群的部分杀死,导致药物治疗失败;这种非遗传性耐药可以增加获得遗传性耐药突变的可能性。基因网络的数学模型可以阐明耐药性的一般原理,预测耐药性的演变,并指导实验室的耐药性实验。基因工程细胞携带的合成基因网络调节耐药基因允许控制,定量实验的作用,非遗传异质性的耐药性的发展。在这篇观点文章中,我们强调了数学,计算和合成基因网络模型在推进我们对抗菌素耐药性的理解以发现对抗耐药感染的有效疗法方面所发挥的作用。
2020-07-07 physics.bio-ph q-bio.MN q-bio.QM
Process Pathway Inference via Time Series Analysis
出于最近的实验发展功能基因组学,我们构建和测试的数值技术推断它的过程途径,其中一个过程调用另一个过程,从时间序列数据。我们使用数据现成的案例进行验证,并制定了适合基因调控网络的扩展,该扩展利用了贝叶斯推断,并且通过对基因调控的先验理解来补偿当今的采样不足。
2002-06-12 physics.bio-ph physics.data-an q-bio.GN
Large-Scale Local Causal Inference of Gene Regulatory Relationships
Radboud University(拉德堡德大学)
基因调控网络在控制生物体的生物学过程中起着至关重要的作用,这就是为什么人们对开发能够从高通量遗传数据中提取其结构的计算方法感兴趣。这些计算方法中的许多被设计成从基因表达的数据推断基因之间的个体调控关系。我们提出了一种新的有效的贝叶斯方法发现当地的因果关系三胞胎(正态分布)变量。在我们的方法中,我们对每个三元组的协方差结构进行一次性评分,并以先验的形式结合可用的背景知识,以获得局部因果结构的后验概率。我们的方法是灵活的,因为它允许不同类型的因果结构和假设。我们应用我们的方法来学习基因之间的因果调控关系的任务。我们表明,该算法产生稳定和保守的后验概率估计局部因果结构,可用于获得一个诚实的排名最有意义的监管关系。我们证明了我们的方法在模拟数据和酵母实验的真实数据上的稳定性和有效性。
2019-09-10 cs.LG q-bio.GN q-bio.MN
A Bayesian approach for structure learning in oscillating regulatory networks
振荡是许多生物过程的核心,从细胞周期到昼夜节律振荡和发育过程。计时机制对于使生物体能够适应从昼夜到季节的环境周期中的各种条件至关重要。转录调控网络是这些生物振荡背后的机制之一。然而,虽然从时间序列测量中识别周期性表达的基因相对容易,但确定支撑振荡的相互作用网络的结构是一个更具挑战性的问题。在这里,我们明确地利用转录信号的振荡性质,并提出了一种方法,用于重建网络相互作用,这是一种特殊但重要的遗传电路。我们的方法是基于使用离散傅立叶变换的一组振荡的基础函数上投影的信号。我们在频域线性模型中建立贝叶斯分层模型,以增强稀疏性并结合有关网络结构的先验知识。对真实数据和模拟数据的实验表明,如果满足振荡假设,该方法可以导致竞争方法的实质性改进,并且在不满足振荡假设的情况下仍然具有竞争力。
2015-04-24 q-bio.QM stat.ML
A mixed model approach for joint genetic analysis of alternatively spliced transcript isoforms using RNA-Seq data
RNA测序技术允许以前所未有的细节水平研究细胞的转录状态。除了对整个基因表达进行定量之外,现在还可以解开基因的个体可变剪接转录物同种型的丰度。一个中心问题是要了解的监管过程,导致相对丰度变化的差异,由于外部和遗传因素。在这里,我们提出了一个混合模型的方法,允许(i)联合分析和遗传映射的多个转录异构体和(ii)映射异构体特异性的影响。我们的方法的核心是全面模拟转录异构体之间的变异和相关性的原因,包括基因组背景和技术定量不确定性。因此,我们的方法允许准确地测试共享以及转录本异构体的转录本特异性遗传调控,并实现这些统计测试的大幅改善的校准。对来自126个人类HapMap个体的基因型和RNA测序数据的实验表明,我们的模型可以帮助获得基因表达变异的遗传基础的更细粒度的图片。
2012-10-10 q-bio.GN q-bio.PE q-bio.QM
Positive Feedback, Stochasticity and Genetic Competence
通过正反馈环调节自身表达的单个基因构成基因调控网络和信号级联中的共同基序。最近关于细菌群体\emph{B. subtilis}中感受态发展的实验表明,自调节遗传模块本身可以产生两种类型的细胞状态。这些状态对应于主调节器ComK的低表达状态和高表达状态。当ComK蛋白水平超过导致自刺激环完全激活的阈值时,达到高表达状态。基因表达的随机性驱动两种稳定状态之间的转换。在本文中,我们解释了双峰蛋白质分布的外观在\emph{B. subtilis}细胞群体的框架中的三种可能的情况。在两种情况下,双稳态为二元基因表达提供了基础。在第三种情况下,系统在确定性描述中是单稳态的,并且基因表达中的随机性仅对两种表达状态的出现负责。
2007-02-26 cond-mat.stat-mech q-bio.OT q-bio.QM