基于加权动态网络分析改进衰老相关基因的监督预测
分子网络
2021-04-14 v3 计算工程、金融与科学
摘要
本研究聚焦于从组学数据中监督预测衰老相关基因的任务。不同于捕获衰老特异性信息但忽略基因(即其蛋白质产物)间相互作用的此类基因表达方法，或考虑蛋白质-蛋白质相互作用(PPI)但该PPI无情境特异性的PPI网络方法，我们近期将两类数据整合为衰老特异性PPI子网络，获得了更精确的衰老相关基因预测。然而，尽管衰老过程是动态的，动态衰老特异性子网络相较静态衰老特异性子网络并未提升预测性能。这可能是因为该动态子网络是用朴素的诱导子图(Induced subgraph)方法推断的。相反，我们近期使用方法论上更先进的网络传播(NP)概念推断了动态衰老特异性子网络，并在另一任务即衰老过程的无监督分析中优于诱导动态衰老特异性子网络。在此，我们评估现有基于NP的动态子网络是否能在所考虑的衰老相关基因监督预测任务中优于由诱导方法构建的动态及静态子网络。现有基于NP的子网络是无权的，即它对每个衰老特异性PPI赋予同等重要性。因考虑衰老特异性边权重可能重要，我们额外提出了加权基于NP的动态衰老特异性子网络。我们证明，在加权子网络上训练并测试的预测机器学习模型，在预测衰老相关基因时比运行于现有无权动态或静态子网络的预测模型具有更高准确率，无论现有子网络是用NP还是诱导方法推断。
引用
@article{arxiv.2005.03659,
title = {Improved supervised prediction of aging-related genes via weighted dynamic network analysis},
author = {Qi Li and Khalique Newaz and Tijana Milenković},
journal= {arXiv preprint arXiv:2005.03659},
year = {2021}
}