Gene regulatory network inference: an introductory survey

遗传调控网络的平均场模型

Mean Field Model of Genetic Regulatory Networks

在本文中，我们提出了一个平均场模型，试图弥合随机布尔网络和更现实的遗传调控网络的随机建模之间的差距。该模型的主要思想是用一个平均或有效的相互作用来取代任何一个基因的所有调控相互作用，该相互作用考虑了抑制和激活机制。我们发现，依赖于一组监管参数，该模型表现出丰富的非线性动力学。该模型也提供了定量支持，早期的定性结果随机布尔网络。

基因调控网络的有监督、半监督和无监督推理

Supervised, semi-supervised and unsupervised inference of gene regulatory networks

从表达数据中推断基因调控网络是一项具有挑战性的任务。许多方法已被开发到这一目的，但一个全面的评价，包括无监督，半监督和监督的方法，并提供指导方针，其实际应用，是缺乏的。我们进行了广泛的评估模拟表达数据的推理方法。结果显示，无监督技术的预测精度非常低，但敲除数据的z得分方法除外。在所有其他情况下，监督的方法实现了最高的准确性，甚至在半监督设置只有少量的阳性样本，优于无监督的技术。

SIRENE：调控网络的监督推理

SIRENE: Supervised Inference of Regulatory Networks

活细胞是基因表达程序的产物，该程序涉及数千个基因的调节转录。因此，需要阐明转录调控网络来理解细胞的工作机制，并且可以例如用于发现新的治疗靶点。虽然已经提出了几种方法来推断基因调控网络从基因表达的数据，最近的一个大规模的基准实验的比较显示，目前大多数方法只能预测有限数量的已知法规在合理的精度水平。我们提出了SIRENE，一种新的方法，用于从表达数据的概要中推断基因调控网络。该方法将基因调控网络推理问题分解为大量的局部二进制分类问题，该问题集中于将每个TF的靶基因与非靶基因分离。因此，SIRENE在概念上简单且计算效率高。我们测试它的基准实验，旨在预测法规在E。大肠杆菌，并表明，它检索的顺序比其他国家的最先进的推理方法的6倍以上的已知规则。

PyPanda：一个用于基因调控网络重建的Python软件包

PyPanda: a Python Package for Gene Regulatory Network Reconstruction

PANDA（Passing Attributes between Networks for Data Assimilation）是一种使用消息传递来集成多个组学数据源的基因调控网络推理方法。PANDA最初用C++编写。在本应用笔记中，我们描述了PyPanda，PANDA的Python版本。PyPanda的运行速度比C++版本快得多，并包括用于网络分析的附加功能。可用性：开源的PyPanda Python包可以在https://github.com/davidvi/pypanda上免费获得。联系人：d.g.p.van ijzendoorn@lumc.nl

随机涨落可以在单分子水平上揭示基因调控网络的反馈信号

Stochastic fluctuations can reveal the feedback signs of gene regulatory networks at the single-molecule level

了解自发随机波动与潜在基因调控网络拓扑结构之间的关系对于研究单细胞随机基因表达具有重要意义。通过求解具有非线性反馈调节的随机基因表达动力学模型中蛋白质拷贝数的稳态分布，揭示了单分子水平上随机波动与反馈拓扑结构之间的关系，为反馈环如何以及在多大程度上增强或抑制分子波动提供了新的见解.基于这种关系，我们还开发了一种有效的方法来提取的基因调控网络的拓扑信息从单细胞基因表达数据。通过数值模拟证明了该理论，更重要的是，通过对整合在人肾细胞中的合成基因电路的单细胞数据分析定量验证了该理论。

A Nonparametric Multi-view Model for Estimating Cell Type-Specific Gene Regulatory Networks

We present a Bayesian hierarchical multi-view mixture model termed Symphony that simultaneously learns clusters of cells representing cell types and their underlying gene regulatory networks by integrating data from two views: single-cell gene expression data and paired epigenetic data, which is informative of gene-gene interactions. This model improves interpretation of clusters as cell types with similar expression patterns as well as regulatory networks driving expression, by explaining gene-gene covariances with the biological machinery regulating gene expression. We show the theoretical a…

基因调控网络稳定性的定量度量

Quantitative Measure of Stability in Gene Regulatory Networks

在最近的生物开关实验中，随机动力学稳定性的定量测量开始出现。这个量，类似于数学中的势函数，深深植根于生物学，可以追溯到生物过程的定量描述之初：赖特（1932年）的适应性景观和沃丁顿（1940年）的发展景观。然而，它的定量含义经常受到生物学家的挑战。定量生物学的最新进展开始迎接这些突出的挑战。

遗传鲁棒调控网络与随机网络在动态上不同吗？

Are Genetically Robust Regulatory Networks Dynamically Different from Random Ones?

我们研究了一个遗传调控网络模型，以证明遗传鲁棒性可以通过稳定选择最佳表型。我们报告的初步结果，这样的选择是否会导致系统的状态空间的重组。对于选定的参数，演化使系统稍微向相图中更有序的部分移动。我们还发现，强记忆效应导致德里达退火近似模型的相图给出错误的预测。

通过大规模基因表达数据分析寻找调控模块

Finding regulatory modules through large-scale gene-expression data analysis

基因芯片的使用使得基因表达数据的快速积累成为可能。分析这些数据的主要挑战之一是生物体基因调控网络中各种模块在大小和信号强度上的多样性。基于迭代签名算法[Bergmann，S.，Ihmels，J.和Barkai，N.（2002）Phys.Rev.E67，031902]中，我们提出了一种算法-渐进迭代签名算法（PISA），其通过顺序地消除模块，允许无监督地识别大的和小的调节模块。我们将PISA应用于大量的酵母基因表达数据，并使用基因本体注释数据库作为参考，发现我们的算法比基于高通量转录因子结合实验或比较基因组学的方法更能识别调控模块。

遗传调控网络布尔模型的渠化与对称性

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。

LAGE：一个从大规模连续表达数据重构基因调控网络的Java框架

LAGE: A Java Framework to reconstruct Gene Regulatory Networks from Large-Scale Continues Expression Data

LAGE是一个用Java开发的系统框架。LAGE的目的是提供一种可扩展的并行解决方案，从大量基因的连续基因表达数据中重建基因调控网络（GRNs）。我们的框架的基本思想是由分而治之的哲学。具体来说，LAGE递归地将基因划分为多个重叠的社区，这些社区的大小要小得多，在将它们合并之前分别学习社区内的GRN。此外，重叠社区的完整信息作为副产品，可以用来挖掘生物网络中有意义的功能模块。