读书笔记 | 微阵列数据的网络分析，理论基础知识

书名 ：Microarray Data Analysis
编辑 ：Giuseppe Agapito
年份 ：2022
出版社 ：HUMAN PRESS
ISBN ：ISBN 978-1-0716-1839-4

微阵列数据的网络分析

作者

• Alisa Pavel, Angela Serra, Luca Cattelani, Antonio Federico,and Dario Greco

摘要

1. DNA微阵列 被广泛用于研究 基因表达 。尽管传统的微阵列数据分析基于 差异表达基因 的研究，但众所周知，基因并非单独起作用。 网络分析 可用于研究生物系统中基因的 关联模式 。此外，它在不同系统之间的 差异共表达分析 中具有广泛应用。
2. 基于网络的共表达研究已被用于（复杂） 疾病基因优先排序 、 疾病亚型划分 和 患者分层 。
3. 在本章中，我们概述了用于从微阵列数据创建网络的方法和工具，并描述了多种分析 单个网络 或 网络组 的方法。所描述的方法涵盖从 拓扑指标 、 功能组识别 到 数据整合策略 、 拓扑通路分析 以及 图模型 。

关键词

• Microarray, Coexpression, Differential coexpression, Multilayer networks, Pathways

引言

1. 大规模转录组分析的最终目标

• 例如， DNA微阵列 的应用
• 表征特定生物条件下的分子变化 [1, 2]

• 转录组学分析能够识别在特定条件下 上调或下调的数百个基因
• 单个基因的变化 可能无法展示 系统中复杂的相互作用 [3]

• 描述基因-基因相互作用 ，以支持表型的理解
• 在大规模转录组实验中，基于网络的分析可以 表征个体基因之间基于表达水平的机制性相互作用 [4–7]

4. 共表达网络的构建

• 利用广泛的 网络拓扑属性 生成关于系统的新知识[8, 9]
• 社区检测或模块检测 可发现 紧密连接的基因区域 （见图1g），并通过 通路或基因本体富集 进行功能性表征（见图1h）[10]
• 多网络比较 可以提供关于 特定功能、单个基因或基因邻域 在多种条件下是否受到影响的见解
• 基于 微阵列测量的基因表达估计值 构建共表达网络（见图1a–c）
• 基因和它们的关联 以图的形式表示，基因作为网络的节点，相似性的强度通过 加权或无权边 连接
• 网络表示的优势

• 使用 DNA微阵列数据 构建的共表达网络可以与其他先验信息（如 蛋白质-蛋白质相互作用（PPI）网络 或 共同调控网络 ）整合，以提高结果的 鲁棒性 （见图1d）[11]
• 基于 基因或其蛋白质直接相互作用或共同调控 通常属于相同的 生物功能 ，因此 可能共表达 [12]
• 在网络生成过程中添加这些信息，允许算法 检测噪声相关模式
• 网络分析也可应用于 多组学数据分析 ，使用来自不同（实验）数据层的 互补信息 构建生物系统的 综合网络图

• 考虑 网络的拓扑结构
• 利用 组成网络的基因的先验信息 [15]
• 自从 DNA微阵列技术 成为研究复杂（或多因素）疾病的关键工具，这些疾病由涉及大量基因的 复杂相互作用和扰动 导致，基因 优先级排序方法 的发展迅速[13]
• 这些方法旨在通过利用 大规模组学研究 来 发现和优先排序候选疾病相关基因标记 [14]
• 通过 基于网络的方法 进行基因优先级排序已成为相当流行的工具
• 另一个理解分子关系的复杂层面在于大多数 细胞过程通过关键基因相互连接 （见图1f）
• 网络分析 帮助生物医学研究人员 识别和优先排序 这些关键基因
• 两种最广泛使用的策略：

• 近年来，大量 大规模数据 的可用性使得多种 人类疾病 ，特别是 多因素疾病 ，能够定义 “疾病子型” [16]
• 尽管某种疾病在受影响人群中具有 相似的表型特征 ，但 个体患者很少表现出相同的分子构成
• 这在 复杂疾病 如癌症以及 代谢和免疫综合征 中尤为明显[17]
• 以 癌症生物学研究 为例， 识别患者子型 是一个核心研究主题，旨在 发现新的药物靶点 并从 传统治疗方法（单一疾病-单一疗法）转向****准个性化的药物治疗（单一疾病-多种疗法）
• 某些癌症类型的 组织学子型 已被很好地建立[17]
• 相比之下，从 分子角度进行癌症子型划分 可能不那么明显，原因在于癌症中的 分子变化异质性
• 通过 整合分子网络与突变谱 ，可以实现 临床相关子型的肿瘤分层

• 定义图或网络的概念
• 描述构建基因共表达网络的算法 及其 基于网络拓扑的相关节点和边的识别指标
• 涉及 通路富集分析的基本概念
• 差异共表达分析
• 在生物网络上使用图形模型

图的概念

1. 图的定义

• 一个图 ( G = (V, E) )，由一组 节点（V） 和一组 边（E） 组成。
• 例如，图2a中的 节点集 为[w, x, y, z]， 边集 为[yw, yx, yz, xz]。
• 边wy连接两个节点[w, y]，用于 建模节点w和节点y之间的关系 。

• 在 无向网络 中， yw = wy 。
• 这意味着 任何边都没有方向 ，可以 双向遍历 。
• 例如，在图2a中，可以通过边yw从w到y，也可以通过边wy从y到w。

• 在 有向网络 中，每条边都有一个 方向 ，图只能 按该方向遍历 。
• 例如，在图2b中，可以通过边yw从y到w，但 无法通过wy从w到y ，因为不存在边wy。

• 大的值可以表示 更大的距离 或 更高的相似性 （例如，边属性为相关性时）。
• 权重属性不必限制在[0,1]，可以在 任意范围内 ，由用户定义。
• 例如，在图2a中，从节点y到节点x或节点z的“成本”相同。
• 在图2c中，边zx的“成本”比边yx的“成本”更低。
• 边可以关联权重属性 ，例如，表示节点y和节点w之间的 距离 或 相关系数 。
• 在 无权网络 中，每条边被视为相等， 不分配权重属性 。
• 权重属性的含义 取决于用户定义：
• 用户需 确保算法正确解释边属性 。

• 边权重为1表示 该边存在 。
• 边权重为0表示 该边不存在 。
• 在 二元网络表示 中，边的权重为 1或0 。

基因共表达网络的算法

1. 微阵列实验分析的结果

• 允许 研究基因在实验条件下的共同行为
• M行 代表 基因
• N列 代表 样本
• 归一化表达矩阵 ( D )
• 从该矩阵构建 基因共表达网络

• 信息理论方法 ：
• 相似性评估 ：
• 皮尔逊相关系数
• 互信息（MI） [18, 19]
• 正值 ：基因表达模式 相似
• 负值 ：基因表达模式 相反
• 连续值范围 ：-1到1
• V ： M个节点 ，代表 基因
• E ： 边集 ，代表 所有基因对之间的共表达
• 图 ( G = (V, E) )
• 假设 ： 表达模式相似的基因 是 共表达的
• 共表达计算方法 ：

• 微阵列数据 容易受到 噪音 和 实验偏差 的影响
• 需要 区分真实边 和 噪音边 [20]
• 加权 、 无向 、 全连通
• 每对基因之间 存在一条边
• 边的性质 ：
• 噪音问题 ：

• 用户定义阈值 ，切除权重低于阈值的边
• 假设 ：
• 缺点 ：
• 低相关或互信息值 可能由 噪音引起
• 高值 可能包含 有意义的信息
• 阈值选择任意
• 不考虑 网络的拓扑结构
• 每条边独立处理
• 简单阈值法

• 不同算法通过 不同启发式方法 筛选 非相关边
• 在相同数据集上执行时， 结果网络可能不一致
• 计算互信息
• 计算每个互信息值在 网络背景分布中的统计概率
• 选择显著高于背景分布的互信息值 作为 最可能的相互作用
• 使用互信息和相关系数
• 计算 所有基因对的共表达值
• 减少假阳性连接 ，通过 剪切每组三元组中的较弱关联
• 两步法 ：
• RelNet [21]
• ARACNE [22]
• CLR [23]
• 算法差异

1. 创建 完全连接的基因共表达矩阵 ，计算所有基因对的 互信息
2. 定义 TMI阈值 ，识别 显著关联

• 提供 图形用户界面
• 指导用户 进行 算法设置和执行
• 集成策略 ，结合 多个算法的结果
• 基因排名 ，根据 相关性进行排序
• 合并网络 ，确保 基因-基因关联的鲁棒性
• 目的 ：推断 更稳定和鲁棒的网络
• 方法 ：
• 优势 ：

局部和全局连通性测量

1. 真实网络的拓扑性质研究

• 含有少数 枢纽节点 ，具有大量边
• 大多数节点具有较少边
• 真实网络 （如万维网或分子网络）遵循 无标度幂律分布
• 随机网络 遵循 高斯分布
• 1999年， Albert-László Barabási 和 Réka Albert 发表了一项研究 [24]
• 他们发现 真实网络 与 随机网络 在连通性上存在差异
• 无标度网络 特征：

• 不同方法 评估节点的重要性（如信息流）
• 建议 结合多种测量方法
• 目标 ：量化节点基于 网络拓扑 的重要性 [25]
• 帮助识别 对其他基因有高影响力的基因 （如 关键调控基因 ），可能是 治疗的良好靶点 [26, 27]
• 各种测量方法（见表1）：

3. 生物网络中的指标解释

• 节点w具有最高的 度 和 特征向量中心性
• 节点c具有最高的 接近中心性
• 节点x具有最高的 中介中心性 ，因为所有两个紧密连接组之间的流量都需要通过它
• 中央性指标 不仅考虑节点的直接连接，还考虑其在网络中的整体位置
• 比较多个网络时，可识别 整体连通性显著变化的基因 ，可能受研究条件影响 [34, 36]
• 使用 强度测量 代替度测量
• 添加关于 节点间相关性强度 的信息
• 比较不同组织或处理条件下的 共表达网络
• 使用 度分布 评估系统是否发生了显著扰动或比较基因的 分位数位置 [34, 35]
• 表示蛋白质在生物系统中的已知相互作用
• 节点为蛋白质，关系表示已知的 相互作用 （如酵母双杂交分析）
• 高连接度节点 （ 枢纽基因 ）可能是 重要调控因子 （如 转录因子 ）
• PPI网络 或 共表达网络 中：
• PPI网络 ：
• 多网络比较 ：
• 加权网络 （如加权共表达网络）：
• 中心性指标 ：
• 示例 （图3）：

4. 全局网络测量

• 图元分布 ：不同的 图元 与PPI网络中的不同生物功能相关
• 环路分布 ：存在环路可能表示 生物调控网络中的反馈回路 [42, 43, 47]
• 快速 比较多个网络
• 例如，量化 处理 是否与 对照网络 相比有特殊影响
• 低密度网络 可能表明 失去稳态 [46]
• 旨在 量化网络的整体拓扑结构 ，不考虑个别节点
• 有助于 比较多个网络 或 比较缺少大量共同基因的网络
• 全局网络测量 （见表2）：
• 结构性测量 ：
• 图元分布 和 环路分布 ：

社区检测算法

1. 社区检测算法的目标

• 节点组 w、z、x 在拓扑上 紧密连接
• w、z、x 组之间 外部边较少 ，因此可描述为 三个独立社区
• 将图的节点分组 为 社区 ，基于不同的 属性
• 社区 定义为 内部连接紧密 ，与网络其他部分的 外部连接较少
• 示例 （图4）：

• 节点聚类算法 ：
• 重叠社区检测算法 ：
• 概率社区检测算法 ：
• 边聚类算法 ：
• 为每个节点分配特定社区
• 允许节点属于多个社区
• 估计节点属于社区的概率
• 类似节点聚类 ，但 对边进行分组
• 节点集 ( C = {n_1, n_2, \dots, n_n} )
• 节点 可以 属于单一社区 或 多个社区
• 社区 （或称 模块 ）定义：
• 社区检测算法的分类 （表3）：

• 根据研究问题和网络类型 选择适合的算法
• 生物网络 常需考虑 节点的多重功能
• 加权算法 ：
• 无权算法 ：
• 考虑边的权重
• 视所有边为相等
• 加权与无权算法 ：
• 选择算法的依据 ：

• 利用边权重 （如 相关性值 ）增强 社区分组的准确性
• 挑战 ：可能 增加计算复杂度
• 节点聚类 为主，但 节点多社区归属 在生物网络中常见
• 功能富集 网络的 部分区域
• 假设 ： 拓扑上接近的节点 属于 同一过程 （如同一路径的基因）
• 社区分组的优势 ：
• 常用方法 ：
• 加权社区检测 ：

• 根据选择的社区检测算法 选择 适当的评估指标
• 多重评估参数 ：推荐 多角度评估划分质量
• 集成社区检测方法 ：
• 结合多种划分结果 ，识别 共识划分
• 优点 ： 结合不同算法的优势 ， 提升社区划分的鲁棒性
• 缺点 ： 计算成本较高
• 不同算法 基于 不同参数 识别 最佳划分
• 评估参数 侧重于 不同的质量指标
• 评估“社区划分质量”的指标 （表4）
• 评估策略 ：

通路富集分析

1. 基因水平的差异表达分析局限

• 无法捕捉基因表达失调的功能性影响
• 需要更丰富的方法 ，将 贡献于单一生物功能的基因 进行 联合分析

• 细胞过程中功能性相互作用的简化表示
• 多个不同性质的参与者 （如蛋白质、代谢物）通过 功能关系 连接（例如， 蛋白质-蛋白质相互作用 ）
• 通路分析 是一种 分析程序 ，帮助 阐明维持特定表型的功能性相互作用的破坏
• 通路 ：

• 基因集合 分组到 通路或生物功能
• 功能性表征 一组相关基因（如 差异表达基因 或 特定社区中的基因 ），而非单独研究
• KEGG（京都基因与基因组百科全书） [68, 69]
• Reactome [70]
• Biocarta [71]
• PANTHER [72]
• 将组学实验的分子发现与特定表型关联 的常见方法
• 常用数据库 ：
• 数据库内容 ：

• 基于基因排序列表 评估一个或多个通路的富集
• 使用Kolmogorov–Smirnov检验 [75]
• 常用统计方法 ：
• 富尔确切检验（Fisher exact test）
• 卡方检验（chi-square test）
• 超几何检验（hypergeometric test） [73]
• 经典富集方法 依赖于 统计检验 评估 通路或功能组中基因的过度表达 的 统计显著性
• 基因集富集分析（GSEA） [74]

5. 拓扑学方法的发展

• 整合拓扑信息 的首个方法
• 考虑两项属性 ：
• 实现工具 ：
• Pathway-Express包 （现包含在 ROntoTools 中，https://rdrr.io/bioc/ROntoTools/）
• 后续工具 ： SPIA [78]、 graphite [79]、 ROntoTools [80]
• 考虑基因在通路中的位置 、 信号的类型和方向
• 优势 ： 假设检验更准确 [66, 76]
• 从非拓扑学方法转向拓扑学方法
• 影响分析（Impact Analysis） [77]

1. 基因失调的幅度 （通常表示为 对数倍数变化 ）
2. 基因-基因相互作用在通路中的位置和类型

6. 拓扑学与非拓扑学方法的比较

• 发现 ：
• 研究结果 ：
• 基于拓扑学的工具通常表现更好
• 具体表现取决于工具和比较的具体方面
• 在真实病理数据的通路排名 中， 非拓扑学的PADOG算法 [81]表现最佳
• 在敲除实验数据 中， 基于拓扑学的ROntoTools 表现最佳
• 在零假设下的p值分布 中， 非拓扑学的GSEA [74]是 唯一无偏的方法
• Nguyen等人 [66]对 五种基于拓扑学的通路分析工具 和 八种非基于拓扑学的工具 进行了比较

差异共表达分析

1. 差异共表达分析的目标

• 在不同实验设置（如 疾病与对照 ）中， 差异共表达的基因 更可能是 关键调控因子
• 这些基因 可能解释表型之间的差异 [82–85]
• 识别两个或多个共表达网络结构中的显著差异
• 假设 ：

• 识别在多个实验条件下 与 其他基因的关联发生变化的基因
• 策略分类 ：
• 全局方法 ：比较一个基因与 所有其他基因 的表达模式
• 局部方法 ：比较一个基因与 部分基因 的表达模式
• 混合方法 ：结合 全局和局部测量 [35, 88]
• 对每个网络中的基因 根据一个或多个 中心性指标 （如 度中心性 ） 进行排名
• 比较这些排名 ，识别 仅在一个共表达网络中排名靠前的基因 [25, 86, 87]
• 最简单的方法 ：
• 其他基因基于的方法 ：

• DiffRank ：
• 结合 局部和全局差异关联测量 [94]
• DCloc [89]
• DCp [90]
• DCe [90]
• DiffK [91]
• 差异基序中心性 [25]
• RIF [92]
• 基于相关向量的指标 [93]
• DCglob [89]
• N-statistic [83]
• 全局基因方法 ：
• 局部基因方法 ：
• 混合方法 ：

• 简单比较 ：
• 模块结构比较 （图7b）：
• 更复杂的模式 ：
• 模块的存在或不存在 （图7a）
• 说明某一 生物过程 在特定实验条件下 可以或不可以执行
• 识别两个网络中共同的模块
• 比较它们的连接结构
• 示例 ：同一生物功能由不同的 关键基因 驱动
• 一组基因从一个社区跳转到另一个社区
• 一个社区在一个网络中存在，在另一个网络中被分裂成多个社区
• 社区分裂 （图7c）：
• 基因跳跃 （图7d）：
• 通过识别每个网络中的社区并进行比较 （见图7）

• WGCNA [95]：
• DICER [82]
• DiffCoEx [96]：
• DINGO [97]：
• CoXpress [99]：
• GSCA [98]：
• 其他方法 （仅适用于二元比较和已知基因集）：
• 模块识别 ，计算 模块在子样本群体中的重要性
• 识别新模块 ，允许 多条件间比较
• 基于基因在特定条件下的不同表现 进行分组
• 仅能比较两个实验条件之间的模块
• 从已知基因列表开始 ，根据 差异共表达评分 进行排名
• GSNCA [100]
• CoGA [101]
• dCoxS [102]
• DiffCorr [103]
• 模块级差异共表达分析工具 ：

6. 应用实例

• 识别特定组织或疾病状态独有的网络 [104, 46]
• GTEx项目 [105]：
• 通过 识别组织特异性网络中共表达强度增强的模块
• 定位这些模块的中心枢纽 以 发现转录因子
• 识别 位于模块边缘的组织特异性基因
• 组织特异性转录因子 与 组织特异性基因 高表达共同
• 组织特异性基因 位于 网络边缘
• 转录因子 位于 网络中心
• 收集了35种不同人类组织的多重表达数据
• 基于每种组织的平均基因表达 生成 单一综合共表达网络
• 发现 ：
• 方法 ：
• 成功案例 ：

图的整合策略

1. 数据整合策略的目的

• 增加微阵列分析的鲁棒性
• 辅助分析过程 [106–109]
• 利用生物领域中已有的交互网络知识库 ，包含 基因间关系的有价值信息 （如 蛋白质-蛋白质相互作用网络 或 调控网络 ）[68–70, 110–113]
• 结合微阵列数据分析结果与这些生物网络 ，可以 检测隐藏的关系和功能性影响

• 调查 在这两个基因集之间 响应传播的可能性较高的基因
• 对于 化学物质/药物 ，可从 CTD [114] 或 DrugBank [115] 获取
• 调查 观察到的响应中 可能涉及的其他基因 [11]
• 将差异表达基因与蛋白质-蛋白质相互作用网络结合
• 添加关于处理条件下的直接蛋白质互作者的信息
• 映射识别的互作基因集到蛋白质-蛋白质相互作用网络

• 避免基于整合过程中使用的相似数据评估最终结果 ，以防 引入偏差
• 例如，不应基于 已知同一通路中的两个基因 来 评分边 ，然后进行 社区检测 和 通路富集分析
• 引导 在简化步骤中 保留或舍弃相关边