扩散成分分析：揭示生物网络中的功能拓扑
分子网络
2015-04-13 v1 机器学习
社会与信息网络
机器学习
摘要
复杂的生物系统已成功地通过生物化学和遗传相互作用网络进行建模，这些网络通常从高通量 (HTP) 数据中收集而来。这些网络可用于推断基因或蛋白质之间的功能关系。基于网络中基因的拓扑角色与其生物学功能相关的直觉，局部的或基于扩散的“关联推定”及图论方法在推断基因功能方面已取得成功。在此，我们试图通过将基于扩散的方法与一种新颖的降维技术相结合，以克服网络数据不完整和带噪声的性质，从而改进功能预测。在本文中，我们引入了扩散成分分析 (DCA)，这是一个插入扩散模型并学习每个节点的低维向量表示以编码网络拓扑性质的框架。作为概念验证，我们证明了 DCA 在从分子相互作用网络预测蛋白质功能方面，比基于扩散的最先进方法有显著改进。此外，我们的 DCA 框架可以整合来自异构源的多个网络，包括基因组信息、生化实验和其他资源，以进一步提升功能预测。通过将 DCA 框架与以我们的节点向量表示作为特征的支持向量机相整合，实现了又一层的性能提升。总体而言，我们的 DCA 框架提供了一种网络中节点的新颖表示，可作为其他机器学习算法的即插即用架构，以破译相互作用组的拓扑性质并获得新见解。
引用
@article{arxiv.1504.02719,
title = {Diffusion Component Analysis: Unraveling Functional Topology in Biological Networks},
author = {Hyunghoon Cho and Bonnie Berger and Jian Peng},
journal= {arXiv preprint arXiv:1504.02719},
year = {2015}
}
备注
RECOMB 2015