＜文献阅读＞用转移熵通过微阵列的时间序列推断基因调控网络(inferring gene regulatory networks from microarray time series data

这篇文章是2007的时候发表在IEEE杂志上，并没有收录到PubMed里面。是韩国的学者开发出来的方法。具体来说，通过转移熵计算基因对的因果关系(causal relations), 也就是转移熵的值。转移熵不是负数，而且大小代表因果关系的强度。
##题目：Inferring gene regulatory networks from microarray time series data using transfer entropy
##引入
衡量两个变量的关系可以用相关系数、互相关、互信息。但是这些是对静态数据分析的。忽略了时间序列的动态属性。
##方法：
首先，通过转移熵量化基因对的因果关系
其次，估计每一个因果关系的显著水平，并预先设置一个阈值
最后，识别和移除被视为间接的因果关系（indirect causal relations）
具体来说，本文所开发的方法主要是对连续型基因表达数据，要先进行离散化处理。将基因的表达值从高到低排列，将这些表达值分配三个格子（bins），每个格子分配一个状态。转移概率直接由发生概率所估计。文章并未说明实际操作的时候状态的值。
评估转移熵transfer entropy TE为有效的因果关系。
##转移熵
假设时序数据是符合稳定的k阶马尔可夫过程。

条件熵定义为以前的状态已知下，额外要增加一个状态所需要的信息量。而p(xi+1|xi(k))为转移概率

转移熵公式如上所示。通常来说，l=k或者l=1。马尔可夫阶数也选择了1，在本文中由于数据量的原因。

真实的转移概率p(xi+1|xi(k)) 通常是未知的，所以假定先验转移概率q(xi+1|xi(k))。那么kullback entropy 就是如上所示的公式，定义为使用先验概率分布q(xi+1|xi(k))代替p(xi+1|xi(k))时所需的多余的熵。
利用蒙特卡罗方法。评价TE（Y→X）先打乱时间序列X的顺序，以消除掉时间属性。对所有的打乱时间的X序列计算转移熵。假设这些转移熵服从正态分布，那么可以用z-test估计转移熵的显著水平。
识别间接因果关系
用一个启发式的规则，假设T(X→Y)、T(X→Z)、T(Y→Z) 都是符合显著水平要求的。那么指示了X→Y, X→Z, Y→Z三对因果关系。这三者间可能是如下图所示的关系
可以利用转移熵的大小来移除一些间接的因果关系。

##模拟数据
之后作者又利用14个基因包含14个因果关系，如上图所示，由线性的也有非线性的。作者通过这些图上的等式重构了基因关系网络如下图

为了评价方法的水平，定义了敏感度（sensitivity）和准确度（precision）从74个样本大小到2000个样本。灵敏度定义为重构网络中真阳性边占合成网络中所有边数的百分比。准确度是真阳性的边占所有预测边的百分比。在给定样本大小的情况下，迭代产生时间序列重构网络100次，估计平均的敏感度和准确度。结果如下图

如图所示，在超过800个样本中，所有的因果关系都以将近90%的精度被确定。对重构网络的分析表明，少量的间接因果关系边不能被我们的简单规则删除。在仅使用74个样本的情况下，这个方法可以识别30%的真的边缘数量和80%的精度，是一个非常可靠的结果。
##在生物学数据上应用
作者使用了Whitefield>发现了一组周期性表达的基因，并提供了一个全面的细胞周期调控基因目录，可以作为功能发现的起点,人类细胞周期微阵列时间序列数据。全部的数据包含五个不同的实验，作者选择了第二和第三个包含了74个时间点。

如上图所示，16个基因21个调控关系被识别出来。实线表示是被文献所证明的调控关系。
##结论
作者提到转移熵作为一种无模型的方法，优点在于既可以检测线性关系，还可以检测非线性关系。将它应用于全基因组范围内的分析是很有前景的。

Whitfield ML et al. Identification of genes periodically expressed in the human cell cycle and their expression
in tumors. Mol Biol Cell. 2002;13:1977–2000
Schreiber T. Measuring information transfer. Physical review letters. 2000; 461:464-85

＜文献阅读＞用转移熵通过微阵列的时间序列推断基因调控网络(inferring gene regulatory networks from microarray time series data相关推荐

生信宝典之傻瓜式 (五) - 文献挖掘查找指定基因调控网络
▼生物信息学习的正确姿势(第三版) NGS系列文章包括NGS基础.转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这).ChIP-seq分析 (ChIP-seq基本分析流程).单细 ...
生信宝典之傻瓜式(五) 文献挖掘查找指定基因调控网络
欢迎关注天下博客:http://blog.genesino.com/2018/01/literature-search/ 傻瓜系列重启了,如何快速查找指定基因的调控网络介绍了使用在线查询数据库 (ht ...
【文献阅读】用于zero-shot识别的双曲视觉嵌入学习网络（S. Liu等人，CVPR，2020）
一.背景文章题目:<Hyperbolic Visual Embedding Learning for Zero-Shot Recognition> 文章下载地址:https://open ...
文献阅读-医学超声图像分割-利用边界距离回归和像素分类网络实现超声图像肾脏自动分割
原文:Yin S, Peng Q, Li H, et al. Automatic kidney segmentation in ultrasound images using subsequent b ...
文献阅读系列-2|TBC-Net: A real-time detector for infrared small
TBC-Net: A real-time detector for infrared small TBC-Net:一种使用语义约束实时检测红外小目标的检测器论文撰写文献阅读提示:写完文章后,目录可 ...
【预训练视觉-语言模型文献阅读文献阅读】最新BERT模型——UNITER: UNiversal Image-TExt Representation Learning
[预训练视觉-语言模型文献阅读文献阅读]最新BERT模型--UNITER: UNiversal Image-TExt Representation Learning 文章目录 [预训练视觉-语言模型文 ...
POI推荐文献阅读笔记3：Predicting Human Mobility via Graph Convolutional Dual-attentive Networks
POI推荐文献阅读笔记3: Predicting Human Mobility via Graph Convolutional Dual-attentive Networks 1.摘要 2.贡献 3. ...
[文献阅读报告]：Take-over Time Prediction for Autonomous Driving in the Real-World: Robust Models, Data Aug
[文献阅读报告]:Take-over Time Prediction for Autonomous Driving in the Real-World: Robust Models, Data Aug ...
文献阅读（60）ACL2021-Attention Calibration for Transformer in Neural Machine Translation
本文是对<Attention Calibration for Transformer in Neural Machine Translation>一文的浅显翻译与理解,如有侵权即刻删除. ...

＜文献阅读＞用转移熵通过微阵列的时间序列推断基因调控网络(inferring gene regulatory networks from microarray time series data

＜文献阅读＞用转移熵通过微阵列的时间序列推断基因调控网络(inferring gene regulatory networks from microarray time series data相关推荐

最新文章

热门文章