相对变化法揭示基因调控网络

基因调控网络的重建在解释生物系统功能和病理方面举足轻重。目前已经有大量的模型和算法被用于揭示基因调控网络。DREAM项目旨在从应用的角度来比较这些模型和算法的优缺点。一个有趣又令人惊讶的发现是:基于简单统计的方法,比如所谓的Z值,与复杂的方法比如基于非线性微分方程等相比,通常效果更好。但是,Z值方法的一个重要不足是不能很好的区分直接调控与间接调控。

为了解决以上缺点,清华大学自动化系周彤教授及其研究团队推荐使用基于基因调控网络推理算法的相对表达水平变异(relative expression level variation, RELV)流程。该流程主要分三步。首先,依据野生型和单基因敲除的实验数据,估计出基因相对表达水平变化的幅度。然后,估算扰动基因对测量基因的直接调控概率,用于评估该基因是否被其他基因调控。最后,标准化RELV值。该方法原则上可以一定程度的避免级联错误。与基于Z值的方法相比较,DREAM3DREAM4的计算能显著改善预测结果,尤其是AUPR,甚至超过DREAM3DREAM4。此外,预测结果精度越高的算法,在指导生物实验设计方面越有用。该研究发表在2012年《Plos One》杂志上。

参考文献: 

A Relative Variation-Based Method to Unraveling Gene Regulatory Networks.Yali Wang and Tong Zhou.Plos One.2012

作者简介:

周彤:北京清华大学自动化系教授,自动化系学术委员会主席。清华973国家重点基础研究发展计划项目《基于新一代测序的生物信息学理论与方法》第四课题组学术骨干。研究方向包括:多维系统极限性能分析与综合;基因调控的网络模型构建及干预机理研究;鲁棒控制理论及工程应用;系统辨识理论及工程应用。