Entdeckung bedeutungsvoller Assoziationen in genomischen Daten mittels partieller Korrelationskoeffizienten

MOTIVATION: Eine der größten Herausforderungen der Systembiologie besteht darin, biochemische Interaktionen aus großflächigen Beobachtungen wie Transkriptomik, Proteomik und Metabolomik abzuleiten. Wir schlagen vor, eine partielle Korrelationsanalyse zu verwenden, um aus solchen großflächigen biochemischen Daten angenäherte ungerichtete Abhängigkeitsgraphen zu konstruieren. Dieser Ansatz ermöglicht eine Unterscheidung zwischen direkten und indirekten Interaktionen biochemischer Verbindungen und leitet somit die zugrunde liegende Netzwerktopologie ab. ERGEBNISSE: Die Methode wird zunächst gründlich mit einem großen Satz simulierter Daten bewertet. Die Ergebnisse zeigen, dass der Ansatz eine gute statistische Power und eine niedrige Fehlentdeckungsrate aufweist, selbst bei Vorhandensein von Rauschen in den Daten. Wir haben die Methode anschließend auf einen bestehenden Datensatz zur Genexpression von Hefe angewendet. Es wurden mehrere kleine Gennetzwerke abgeleitet, die Gene enthalten, die bekannt dafür sind, kollektiv an bestimmten biochemischen Prozessen beteiligt zu sein. In einigen dieser Netzwerke sind auch uncharakterisierte ORFs vorhanden, die zu Hypothesen über ihre Funktionen führen. VERFÜGBARKEIT: Programme für MS-Windows und Linux zur Anwendung von partiellen Korrelationsanalysen nullter, erster, zweiter und dritter Ordnung können heruntergeladen werden unter: http://mendes.vbi.vt.edu/tiki-index.php?page=Software. ZUSÄTZLICHE INFORMATIONEN: Zusätzliche Informationen finden Sie unter: URL wird noch festgelegt.