面向数据整合监督预测人类衰老相关基因的未来方向
分子网络
2022-05-27 v1
摘要
由于许多疾病随年龄发生，识别参与衰老过程的人类基因至关重要。一种用于此目的的前沿方法通过将不同年龄的基因表达（GE）水平映射到蛋白质-蛋白质相互作用网络（PPIN）上，推断出一个加权动态衰老特异性子网络。然后，它以监督方式分析该子网络，训练预测模型来学习已知衰老相关与非衰老相关基因的网络拓扑如何随年龄变化。最后，它使用训练好的模型预测新的衰老相关基因。然而，由该方法得到的最佳当前子网络仍产生次优的预测精度。这可能是因为它是使用过时的 GE 和 PPIN 数据推断的。在此，我们评估：分析由较新 GE 和 PPIN 数据推断的加权动态衰老特异性子网络，是否比分析由过时数据推断的最佳当前子网络提升预测精度。出乎意料地，我们发现并非如此。为理解这一点，我们进行了衰老相关通路与基因本体（GO）术语富集分析。我们发现，无论使用哪种 GE 或 PPIN 数据，次优预测精度可能由当前关于哪些基因与衰老相关的知识不完整所致，或由当前用于推断或分析衰老特异性子网络的方法无法捕获全部衰老相关知识所致。这些发现可潜在地指导未来通过组学数据整合改进衰老相关基因监督预测的方向。
引用
@article{arxiv.2205.13088,
title = {Towards future directions in data-integrative supervised prediction of human aging-related genes},
author = {Qi Li and Khalique Newaz and Tijana Milenković},
journal= {arXiv preprint arXiv:2205.13088},
year = {2022}
}