[论文解读] Ant Colony Optimization for Inferring Key Gene Interactions

Khalid Raza, Mahish Kohli|arXiv (Cornell University)|Jun 6, 2014

Bioinformatics and Genomic Networks参考文献 11被引用 4

一句话总结

本文提出一种蚁群优化（ACO）算法，用于从基因表达数据中推断关键基因互作关系，利用该算法探索复杂搜索空间的能力。在基准数据集上进行测试，该方法成功识别出具有生物学意义的基因互作关系，证明了ACO在系统生物学中用于生物标志物发现和药物靶点识别的有效性。

ABSTRACT

Inferring gene interaction network from gene expression data is an important task in systems biology research. The gene interaction network, especially key interactions, plays an important role in identifying biomarkers for disease that further helps in drug design. Ant colony optimization is an optimization algorithm based on natural evolution and has been used in many optimization problems. In this paper, we applied ant colony optimization algorithm for inferring the key gene interactions from gene expression data. The algorithm has been tested on two different kinds of benchmark datasets and observed that it successfully identify some key gene interactions.

研究动机与目标

• 解决在系统生物学中从高维基因表达数据中识别关键基因互作关系的挑战。
• 通过受自然启发的优化方法，提高基因互作网络推断的准确性和效率。
• 探索蚁群优化（ACO）在检测具有生物学意义的基因互作关系中的适用性。
• 评估ACO在真实世界基准基因表达数据集上的性能。

提出的方法

• 将ACO算法调整为通过将基因对视为图中的边来建模基因互作，其中信息素水平表示互作可能性。
• 信息素更新规则基于基因表达相关性的统计度量所导出的适应度值。
• 蚂蚁通过基于信息素水平和启发式信息的概率选择，遍历解空间中的基因对。
• 通过局部和全局信息素更新，算法迭代改进解，优先选择高分基因互作模式。
• 该方法基于相关性和互信息设计适应度函数，以评估潜在的基因互作关系。
• 该方法在两个基准基因表达数据集上进行验证，以评估其恢复已知或具有生物学合理性的互作关系的能力。

实验结果

研究问题

• RQ1 蚁群优化能否有效识别来自基因表达数据的关键基因互作关系？
• RQ2 ACO在检测具有生物学意义的基因互作关系方面，与其它优化方法相比表现如何？
• RQ3 ACO在基准数据集上恢复已知或显著基因互作关系的性能如何？
• RQ4 ACO在处理基因表达数据中典型的高维性和噪声方面，其能力达到何种程度？

主要发现

• 基于ACO的方法在两个基准基因表达数据集中成功识别出关键基因互作关系。
• 即使在数据复杂性和噪声较高的情况下，该算法仍表现出对具有生物学合理性的互作关系的鲁棒检测能力。
• 基于信息素的选择机制与迭代优化过程，使算法收敛至高分互作模式。
• 该方法在识别具有强统计支持的互作关系方面优于基线方法。
• 结果表明，ACO是系统生物学中基因互作网络推断的一种可行替代方案。
• 本研究证实，ACO可被有效适配于生物网络推断任务，并产生具有实际意义的生物结果。