[논문 리뷰] INFERRING GENE ASSOCIATION NETWORKS USING SPARSE CANONICAL CORRELATION ANALYSIS

Y. X. Rachel Wang, Keni Jiang외 3명|arXiv (Cornell University)|2014. 01. 25.

Bioinformatics and Genomic Networks참고 문헌 6인용 수 6

한 줄 요약

이 논문은 조건부 의존성 간의 관계를 추정하기 위해 희소 공분산 분석(스카이어드 캐논리컬 코herence 분석, SCCA)을 사용하고, 반복적인 무작위 분할 및 표본 추출을 통해 유전자 그룹 간의 조건부 의존성을 추정하는 새로운 방법을 제안한다. 다양한 순서의 부분 공분산을 집계함으로써 통계적 유의성과 생물학적 해석 가능성이 향상되어, 기존 방법에 비해 더 낮은 거짓 양성률과 더 나은 핵심 생물학적 경로 탐지 성능을 달성한다.

ABSTRACT

Networks pervade many disciplines of science for analyzing complex systems with interacting components. In particular, this concept is commonly used to model interactions between genes and identify closely associated genes forming functional modules. In this paper, we focus on gene group interactions and infer these interactions using appropriate partial correlations between genes, that is, the conditional dependencies between genes after removing the influences of a set of other functionally related genes. We introduce a new method for estimating group interactions using sparse canonical correlation analysis (SCCA) coupled with repeated random partition and subsampling of the gene expression data set. By considering different subsets of genes and ways of grouping them, our interaction measure can be viewed as an aggregated estimate of partial correlations of different orders. Our approach is unique in evaluating conditional dependencies when the correct dependent sets are unknown or only partially known. As a result, a gene network can be constructed using the interaction measures as edge weights and gene functional groups can be inferred as tightly connected communities from the network. Comparisons with several popular approaches using simulated and real data show our procedure improves both the statistical significance and biological interpretability of the results. In addition to achieving considerably lower false positive rates, our procedure shows better performance in detecting important biological pathways.

연구 동기 및 목표

• 조건부 의존성이 있는 유전자 집합이 알려져 있거나 부분적으로 알려져 있지 않은 상황에서 유전자 연관 네트워크를 추론하는 데 도전하는 것.
• 고차원 부분 공분산을 모델링하여 유전자 네트워크 구축의 통계적 검정력과 생물학적 해석 가능성을 향상시키는 것.
• 유전자 상호작용 탐지에서 거짓 양성률을 줄이고 기능적으로 관련된 유전자 모듈을 더 잘 식별하는 것.
• 사전 지식이 없이도 데이터 기반으로 안정적인 접근을 제공하는 방법을 개발하여, 유전자 발현 데이터의 다수의 무작위 분할 및 표본 추출에 걸쳐 상호작용 추정치를 집계하는 것.

제안 방법

• 유전자 그룹 간의 공분산을 추정하기 위해 희소 캐논리컬 상관계수 분석(SCCA)을 사용하여, 다른 기능적으로 관련된 유전자들을 고려한 조건부 의존성을 캡처한다.
• 유전자 발현 데이터의 반복적인 무작위 분할 및 표본 추출을 통해 다양한 그룹화를 생성하고, 다양한 순서의 부분 공분산을 추정할 수 있도록 한다.
• SCCA에서 유도된 상호작용 측정치를 여러 표본에 걸쳐 집계하여 유전자 그룹 간 연관성에 대한 안정적이고 강건한 추정치를 도출한다.
• 집계된 상호작용 점수는 유전자 네트워크의 간선 가중치로 사용되며, 밀집된 커뮤니티로 식별된 부분은 기능적 유전자 모듈로 간주된다.
• 정확한 조건부 집합에 대한 사전 지식이 필요 없기에, 생물학적 맥락이 불완전하거나 불확실한 상황에서도 적용 가능하다.
• 표준 커뮤니티 탐지 알고리즘을 사용하여 유전자 네트워크 내에서 밀집된 커뮤니티로 기능적 유전자 그룹을 추론한다.

실험 결과

연구 질문

• RQ1 조건부 의존성이 있는 유전자 집합이 알려져 있거나 부분적으로 알려져 있지 않은 상황에서 유전자 연관 네트워크를 어떻게 구성할 수 있는가?
• RQ2 다양한 무작위 그룹화에 걸쳐 부분 공분산 추정치를 집계함으로써 유전자 네트워크 추론의 정확성과 안정성이 얼마나 향상되는가?
• RQ3 제안된 SCCA 기반 방법이 기존 방법에 비해 더 낮은 거짓 양성률로 생물학적으로 관련된 경로를 효과적으로 탐지할 수 있는가?
• RQ4 이 방법은 시뮬레이션된 데이터와 실제 유전자 발현 데이터 모두에서 기능적 모듈을 어떻게 식별하는가?

주요 결과

• 제안된 방법은 시뮬레이션 및 실제 데이터 실험에서 여러 인기 있는 네트워크 추론 방법에 비해 유의미하게 낮은 거짓 양성률을 달성한다.
• 중요한 생물학적 경로 탐지에서 뛰어난 성능을 보이며, 유전자 네트워크의 생물학적 해석 가능성을 향상시킨다.
• 다양한 무작위 분할 및 표본 추출에 걸쳐 상호작용 추정치를 집계함으로써 더 안정적이고 신뢰할 수 있는 네트워크 구조가 도출된다.
• SCCA의 사용은 고차원 부분 공분산의 효과적인 추정을 가능하게 하여, 유전자 그룹 간의 복잡한 조건부 의존성을 포착한다.
• 기능적 유전자 모듈은 유전자 네트워크 내에서 밀집된 커뮤니티로 성공적으로 식별되었으며, 기존에 알려진 생물학적 경로와 일치한다.
• 이 방법은 조건부 집합 선택에 대한 불확실성에 대해 강건하여, 생물학적 지식이 불완전한 실제 응용 시나리오에도 적용 가능하다.