来源arxiv
网络构建
从非网络数据中推断出一个网络
- 关联(Association)网络
- 反映的是实体间的物理或功能关联关系
- 如PPI网络
- 实验/数据驱动
- 相关(Correlation)网络
- 从多个样本的组学数据推断
- 反映的是实体间的统计相关性而非直接物理交互
- 基因共表达网络
- 基于基因表达水平考虑是否建边
- 简单,易解释
- 调控网络
- 生物分子之间的因果关系
- 基因调控网络
链接预测(Link Prediction)
从现有网络数据推断新交互作用
方法
- 基于网络拓扑的推断
- 利用现有PPI网络的拓扑特性
- 使用简单规则(如高度节点连接、共同交互伙伴多的节点)
- 或者使用复杂的基于扩散的网络嵌入
- 基于原始序列的推断(对于PPI网络)
- 仅使用氨基酸序列预测蛋白质是否结合
- 深度学习方法较为成功
- 一些方法能隐式整合蛋白质三维结构信息(如D-SCRIPT)
挑战
- 方法整合问题 ：如何同时利用基于网络和序列的链接预测仍是开放问题
- 评估困难 ：
- 现有真实网络存在偏差
- 难以设计公平的性能指标
- 现有指标可能偏向节点度或偏向网络方法
- 序列局限性 ：基于序列的方法在已知交互蛋白质的近同源体上表现更好，但可能在其他情况下效果有限
特定条件下的网络推断
传统生物网络数据通常是无上下文的，未能反映不同条件下交互作用的变化。因此需要计算方法来推断特定条件下的网络。
- 突变影响分析：评估疾病突变对蛋白质交互的影响
- 条件特异PPI网络：结合突变/表达数据与PPI网络
- 条件相关网络：使用基因表达数据推断特定条件相关网络
- 条件调控网络：推断特定条件下的调控网络（如组织特异性网络）
或许可以结合贝叶斯网络或者因果干预?
差异网络分析
差异网络分析主要研究具有相同节点但边不同的特定条件网络之间的差异，目的是识别可能负责基础生物学差异(如健康与疾病、不同组织或年龄差异)的网络区域。
按分析阶段分类
先计算后比较
- 先计算每个特定条件网络中的拓扑特性
- 再测量该特性在不同网络/条件间的变化
- 问题：某些拓扑特性(如中心性)可能不适合跨网络比较
先推断差异网络再分析
- 先从特定条件网络推断差异网络
- 再计算差异网络中的拓扑特性
- 识别与条件差异最相关的网络区域
按拓扑层次分类
节点层次
- 比较中心性(如度或介数)的差异
- 识别连接性变化最大的生物分子
边层次
- 确定特定条件的边
- 方法：选取高权重边、超过阈值的边、条件间权重差异大的边等
聚类或整个网络层次
- 在更高层次上比较网络差异
重要考虑因素
样本特定网络的优势
- 可使用统计工具确定拓扑特性的显著变化
- 可将拓扑特性与生物学和表型变量一起评估
- 可考虑潜在混杂变量
时间维度的重要性
- 研究网络随时间变化的方法需要更多关注
- 如PPI网络拓扑结构随年龄的变化研究
网络比较的其他类型
除了差异网络分析外，网络比较还有其他重要类型，特别是当比较的网络节点映射未知时。这些方法可分为两大类：
基于比对的网络比较
- 目标 ：找到比较网络之间的节点映射，优化保留边和子图的目标函数
- 应用 ：
- 比较不同物种的生物网络
- 识别网络的进化保守部分
- 在比较物种间传递生物学知识（如蛋白质功能注释）
- 补充序列比对，基于PPI网络识别蛋白质同源关系
- 特点 ：
- 可视为将网络整合到异质（多重）网络表示中
- 计算复杂度较高
无比对网络比较
- 目标 ：量化网络间的整体拓扑相似性，不考虑节点映射
- 方法 ：比较网络间的拓扑属性（如度分布）
- 应用 ：
- 评估随机图（如无标度或几何图）与实际网络的拟合程度
- 识别拓扑结构相似的网络组/家族
- 特点 ：
- 不产生节点映射
- 计算效率通常高于基于比对的方法