Genetzwerker: in silico Benchmarkgenerierung und Leistungsprofilierung von Netzwerkinferenzmethoden

Es wurden zahlreiche Methoden entwickelt, um genregulatorische Netzwerke aus Expressionsdaten zurückzuentwickeln. Die Entschlüsselung und Modellierung dieser Netzwerke ist von vorrangiger Bedeutung für ein besseres Verständnis biologischer Organismen. Sowohl ihre absolute als auch ihre vergleichende Leistung sind jedoch noch wenig verstanden. Ziel dieses Projekts ist es, Benchmarks und Werkzeuge für die rigorose Erprobung von Methoden zur Gennetzwerkinferenz bereitzustellen.

Unser Framework ist verfügbar als quelloffene und benutzerfreundliche Software namens GeneNetWeaver (GNW) . GNW ist das erste Tool, das Methoden für beide bereitstellt in silico Benchmarkgenerierung und Leistungsprofilierung von Netzwerkinferenzalgorithmen. GNW wurde entwickelt, um einfach zu generieren detaillierte Modelle von genregulatorischen Netzwerken . Einer der Hauptvorteile der Verwendung von in silico ist, dass Störungsexperimente schnell und einfach simuliert werden können, um Expressionsdaten zu erzeugen, anders als im Leben experimente, die normalerweise teuer und zeitaufwändig sind. Darüber hinaus sind beide quantität und Qualität der Expressionsdaten erzeugt werden kann (z. B. durch Variation der Menge an Molekül- und/ oder Messrauschen). Schließlich werden Expressionsdaten von Inferenzmethoden verwendet, um zu rekonstruieren (oder reverse-Ingenieur ) der Basiswert in silico netzwerke, bevor die quantitative Bewertung der durchführung der Methoden durch Vergleichen des Ziels (unbekannt in im Leben experimente) und vorhergesagte Netzwerke.

Darüber hinaus haben wir GNW genutzt, um drei Ausgaben der zu organisieren TRAUM Herausforderung , eine jährliche gemeinschaftsweite Netzwerk-Inferenz-Herausforderung. In diesem Zusammenhang wurde GNW verwendet, um zu identifizieren systematische Fehler von Netzwerkinferenzalgorithmen und liefert so nützliche Einblicke in wie Sie ihre Leistung verbessern können .

GNW wurde während meiner Doktorarbeit entwickelt. T Schaffter, Von Genen zu Organismen: Bioinformatische Systemmodelle und Software , 2014.

Leistungsbewertung von Netzwerkinferenzmethoden

1. In silico Gennetzwerke werden erhalten durch extrahieren von Teilnetzstrukturen aus bekannten transkriptionellen Netzwerken ( E. coli , S. cerevisiae , usw.), bevor sie mit detaillierten dynamische Modelle der Genregulation berücksichtigung von Transkription und Translation, unabhängigen und synergistischen Wechselwirkungen sowie Molekular- und Messrauschen.
2. In silico Gennetzwerke werden simuliert, um zu produzieren steady-State- und Zeitreihen-Expressionsdaten für eine Vielzahl von Experimenten wie Wildtyp-, Knockout-, Knockdown- und multifaktorielle Störungsexperimente.
3. Inferenzmethoden sind gefragt, um Strukturen von vorherzusagen in silico benchmark-Netzwerke aus Genexpressionsdaten.
4. Aus Netzwerkvorhersagedateien führt GNW eine Netzwerkmotivanalyse durch, die häufig Folgendes zeigt systematische Vorhersagefehler und damit mögliche Wege zur Verbesserung der Netzrekonstruktion aufzeigt. Außerdem werden automatisch umfassende Berichte erstellt, die Standardmetriken wie Präzisionsabruf und ROC-Kurven (Receiver Operating Characteristic) enthalten.

Videolehrgang

• Bedienungsanleitung

Herausforderungen bei der Netzwerkinferenz

Der traumprojekt ist ein Dialog für Reverse Engineering Bewertungen und Methoden. Hauptziel ist es, die Interaktion zwischen Experiment und Theorie im Bereich der zellulären Netzwerkinferenz und der quantitativen Modellbildung in der Systembiologie zu katalysieren.

GNW wurde verwendet, um die internationalen DREAM3-, DREAM4- und DREAM5-Wettbewerbe zu organisieren. Insgesamt reichten 91 Teams rund 900 Netzwerkvorhersagen ein bewertung der Leistung ihrer Methode anhand von GNW-generierten Benchmarks.

• DREAM3 in silico Herausforderung (2008)
• DREAM4 in silico Herausforderung (2009)
• DREAM5 Netzwerk-Inferenz-Herausforderung (2010)
• Poster präsentiert auf der DREAM5-Konferenz, Columbia University, New York (2010)

Andere Inferenz-Herausforderungen:

• Die Kausalitäts-Werkbank : Der Zweck dieses Projekts ist es, eine Umgebung zum Testen von Algorithmen für maschinelles Lernen und Kausalentdeckung bereitzustellen.

Eine Gemeinschaftsanstrengung zur Bewertung der biologischen Netzwerkinferenz

Die unten gezeigte Karte veranschaulicht die internationalen Bemühungen der Gemeinschaft zur Bewertung der biologischen Netzwerkinferenz. Hunderte von Forschern haben ausgewertet über 0'000 Gennetzwerkvorhersagen mit GNW erhalten Sie wertvolle Erkenntnisse darüber, wie sie die Leistung von Inferenzmethoden verbessern können.

Die in GNW verfügbaren Werkzeuge zur Bewertung der Genauigkeit von Netzwerkstrukturvorhersagen können auch zur Profilierung der Leistung neuronaler, sozialer und technologischer Netzwerkinferenzmethoden eingesetzt werden.