论文阅读(五)：乳腺癌中的高斯图模型和扩展网络推理

原创

于 2025-01-26 18:04:12 发布 · 1.6k 阅读

标签

#论文阅读 #深度学习 #人工智能 #学习

1.论文链接：Network Inference in Breast Cancer with Gaussian Graphical Models and Extensions

摘要：

具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的聚类。然而，这种相关性并没有提供任何关于基因间信息链的线索。偏相关是指在排除其他基因的影响后，量化两个基因之间的相关性。因此，部分相关使得有可能区分两个基因之间的相关性，由于直接的因果关系，通过中间基因起源的相关性。在本章中，高斯图模型（GGM）学习被建立为协变量选择问题。两个最小绝对收缩和选择算子（LASSO）型技术，图形LASSO方法和邻域选择。然后给出了经典GGM的两个推广。GGMs在结构化GGMs中扩展，以解释模块性，以及更普遍的基因连接特征的异质性。在真实的数据上说明了在网络结构上使用生物先验的扩展。

关键词：基因网络，高斯图模型，LASSO

具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的聚类。然而，这种相关性并没有提供任何关于基因间信息链的线索。偏相关是指在排除其他基因的影响后，量化两个基因之间的相关性。因此，部分相关性使我们能够区分两个基因之间的相关性，因为直接的因果关系，通过中间基因起源的相关性。高斯图形模型（GGM）是一个经过充分研究的框架，可以发现直接的关系。在本章中，为了对基因网络建模，高斯图模型学习被设置为协变量选择问题。两个LASSO型技术，图形LASSO方法和邻域选择。然后给出了经典GGM的两个推广。关于潜在结构的先验知识有望以更稳健的方式帮助正确的图。为此，GGM在结构化GGM中扩展，以解释模块性，以及更普遍的基因连接特征的异质性。考虑了结构自适应罚参数。第二个扩展是合并不同的实验条件，从而扩大了可用于推断相互作用的观测数量。为了解决微阵列实验中的异质性问题，同时估计多个GGM，而不是像通常那样合并各种条件。结构化惩罚器鼓励网络在不同条件下共享类似的上调或下调规则。最后，一个类似的方法来处理随时间变化的数据。在真实的数据上说明了在网络结构上使用生物先验的扩展。

5.1介绍

基因表达水平之间的相关性提供了基因是否同时表达或抑制的信息。因此，具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的簇。然而，如果相关性突出了在相似条件或时间点表达的基因，从而可能一起相互作用，那么它们并没有提供任何关于信息链如何从基因到基因的线索。因此，我们需要评估基因对其他基因的调节作用之间的相关性。这个概念被称为偏相关，它包括在排除其他基因的影响后量化两个基因之间的相关性。偏相关系数使我们能够区分两个基因之间的相关性，因为直接的因果关系，通过中间基因起源的相关性。

通过部分相关性的概念，高斯图形模型（GGM）提供了一个经过充分研究的框架来发现这些直接关系。当适应生物网络（或图）建模时，GGM将基因视为顶点，将其表达水平视为高斯随机变量。在高斯世界中，变量之间的独立性等同于不存在相关性。因此，如果图中的两个基因具有非零的偏相关系数，则它们之间将绘制边缘，这意味着它们的表达依赖于数据集中的所有其他基因表达。

在我们的框架中，GGMs被用来模拟基因调控网络。然而，我们鼓励读者记住，我们所估计的唯一准确的定义是统计，也就是说，RNA测量之间的条件依赖结构的图形表示。基因调控是一个非常复杂的现象，这是由于涉及的因素很多，但无法解释（蛋白质，microRNA，染色质修饰，.）以及RNA水平动力学的复杂性（生产，储存和降解）。因此，这种网络的唯一合理目的在于突出潜在的规章或规章链。然后，生物学家的作用是验证它们或阐明调控链遵循的确切路径。

本章概述如下：首先，通过GGM的经典建模将被布里介绍;学习问题，在这里被理解为与变量之间的部分相关结构相关联的网络的恢复，将被讨论并设置为协变量选择问题。然后，我们将强调这些技术的两个自然扩展，作者参与了这些技术的发展。这些关系总是出于生物学上的考虑。这些技术的使用将在本章的第二部分进行说明，专门研究一个新的乳腺癌数据集与一个大的患者队列：这个应用程序涉及到最近的GGM技术描述这里，并说明了什么样的见解可以合理地预期从这些方法。