[논문 리뷰] Defining a robust biological prior from Pathway Analysis to drive Network Inference

Marine Jeanmougin, Mickaël Guedj외 1명|arXiv (Cornell University)|2011. 01. 18.

Gene Regulatory Network Analysis참고 문헌 22인용 수 3

한 줄 요약

이 논문은 경로 기반 생물학적 사전 지식과 차등 발현 분석을 융합하여 안정성과 해석 가능성을 향상시킨 유전자 조절망 추론을 위한 새로운 프레임워크를 제안한다. 기능적 파트너 식별을 통해 분자 서명을 정제하고, L1 페널티가 가해진 가우시안 그래픽 모델을 적용함으로써 조건 특이적 조절망을 식별하며, 유방암 치료에 대한 반응에서 핵심적으로 기능이 손상된 경로를 규명하는 데 유용함을 입증한다.

ABSTRACT

Inferring genetic networks from gene expression data is one of the most challenging work in the post-genomic era, partly due to the vast space of possible networks and the relatively small amount of data available. In this field, Gaussian Graphical Model (GGM) provides a convenient framework for the discovery of biological networks. In this paper, we propose an original approach for inferring gene regulation networks using a robust biological prior on their structure in order to limit the set of candidate networks. Pathways, that represent biological knowledge on the regulatory networks, will be used as an informative prior knowledge to drive Network Inference. This approach is based on the selection of a relevant set of genes, called the "molecular signature", associated with a condition of interest (for instance, the genes involved in disease development). In this context, differential expression analysis is a well established strategy. However outcome signatures are often not consistent and show little overlap between studies. Thus, we will dedicate the first part of our work to the improvement of the standard process of biomarker identification to guarantee the robustness and reproducibility of the molecular signature. Our approach enables to compare the networks inferred between two conditions of interest (for instance case and control networks) and help along the biological interpretation of results. Thus it allows to identify differential regulations that occur in these conditions. We illustrate the proposed approach by applying our method to a study of breast cancer's response to treatment.

연구 동기 및 목표

• 고차원적이고 표본 수가 적은 유전자 발현 데이터로부터 신뢰할 수 있는 유전자 조절망을 추론하는 데 도전한다.
• 유전자 네트워크 추론에 사용되는 분자 서명의 재현성과 안정성을 향상시키기 위해 차등 발현 분석을 정교화한다.
• 생물학적으로 의미 있는 경로 정보를 구조적 사전 지식으로 통합하여 후보 네트워크의 공간을 제약한다.
• 생물학적 조건 간 비교 네트워크 추론(예: 환자 대 대조군)을 가능하게 하여 차등 조절 메커니즘을 탐지한다.
• 유래된 간선을 알려진 세포 경로와 기능 모듈에 연결함으로써 네트워크 결과의 생물학적 해석 가능성을 향상시킨다.

제안 방법

• 기능적 파트너를 단백질-단백질 상호작용(PPI) 데이터에서 확보하여 유전자 선택을 향상시키는 정교화된 차등 발현 분석을 적용하여 강력한 분자 서명을 식별한다.
• 높은 신뢰도를 가진 PPI 상호작용(예: HPRD에서 제공)을 사용하여 생물학적으로 관련성이 높은 유전자 모듈을 식별함으로써 저품질 상호작용으로 인한 노이즈를 감소시킨다.
• 정교화된 분자 서명을 알려진 경로에 매핑하여 경로 기반 생물학적 사전 지식을 구성하며, 일관되지 않은 데이터베이스 정의에 대한 의존도를 최소화한다.
• 가우시안 그래픽 모델(GGM) 프레임워크 내에서 가중 Lasso 기준을 사용하는 SIMoNe 알고리즘을 적용하여 희박하고 조건 특이적인 네트워크를 추론한다.
• 경로 신뢰도 점수를 L1 페널티에 통합하여 강력한 생물학적 증거에 기반한 간선을 우선시한다.
• 두 조건 간 비교 네트워크 추론(예: 유방암에서 pCR 대 비-pCR)을 수행하여 차등적으로 조절되는 간선을 식별한다.

실험 결과

연구 질문

• RQ1 차등 발현에서 유도된 분자 서명은 어떻게 개선되어 재현성과 생물학적 관련성을 향상시킬 수 있는가?
• RQ2 경로 기반 생물학적 사전 지식은 후보 네트워크의 검색 공간을 얼마나 줄이고 네트워크 추론 정확도를 향상시킬 수 있는가?
• RQ3 PPI 데이터에서 유도된 기능적 파트너 통합은 네트워크 추론에서 생물학적으로 의미 있는 유전자 탐지에 어떻게 기여하는가?
• RQ4 치료 반응성과 비반응성 유방암 아형 간의 핵심 차등 조절 메커니즘은 무엇인가?
• RQ5 생물학적 해석 가능성을 유지하면서, 네트워크 추론 방법은 어떻게 서로 다른 생물학적 조건 간의 조절 네트워크를 비교 분석할 수 있는가?

주요 결과

• 기능적 파트너를 통합한 정교화된 차등 분석은 분자 서명의 안정성을 향상시켰으며, 표준 차등 발현 분석에서는 빠졌던 잘 알려진 유전자(AKT1)의 포함을 가능하게 하였다.
• 이 방법은 조건 특이적 네트워크를 성공적으로 추론하였으며, AKT1과 CALM3의 공발현이 pCR(병리학적 완전 반응) 그룹에서만 관찰되어 치료 반응과 관련된 잠재적 조절 메커니즘이 있음을 시사하였다.
• 차등 네트워크 분석은 pCR 또는 비-pCR 네트워크에만 존재하는 간선을 식별하였으며, 빨간색 간선은 비-pCR에서 고유하게 발견된 연결을, 초록색 간선은 pCR에서 고유하게 발견된 연결을 나타내어 조건 특이적 조절 변화를 강조하였다.
• 경로 기반 사전 지식의 사용은 임의의 경로 정의에 대한 의존도를 감소시키고, 조건부 경로 데이터베이스의 이질성에도 불구하고 추론된 네트워크의 생물학적 타당성을 높였다.
• 경로 신뢰도에 기반한 가중 L1 페널티 통합은 네트워크 구조의 정확성과 해석 가능성을 향상시켰으며, 생물학적으로 지원되는 간선을 우선시하였다.
• 실제 유방암 데이터셋에서 이 방법은 타당성과 생물학적 관련성을 입증하였으며, 향후 치료 전략 수립에 기여할 수 있는 치료 반응의 조절 주요 인자들을 규명하였다.