Ağ Tabanlı Yol Zenginleştirme Analizi
Network-based Pathway Enrichment Analysis · Ayrıca şöyle bilinir: network pathway enrichment, network-based enrichment, topology-based pathway analysis, NBPEA
Ağ tabanlı yol zenginleştirme analizi, biyolojik yolların bir koşulda koordineli olarak değiştiğini belirlemek için moleküler etkileşim ağlarını (protein-protein etkileşimleri, sinyal grafikleri veya gen düzenleyici ağlar) omik ölçümlerle entegre eder. Yol genlerini bağımsız listeler olarak ele alan klasik aşırı temsil veya gen kümesi zenginleştirme yaklaşımlarının aksine, bu yöntem ailesi sinyalleri ağ kenarları boyunca yayarak etkileşimlerin topolojisini yakalar ve düz liste zenginleştirmenin kaçıracağı düzensizleşmiş modülleri ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Omik verileriniz (RNA-seq, proteomik, somatik mutasyonlar veya çoklu-omik) olduğunda ve yol düzensizliğinin izole edilmiş bireysel genler yerine koordineli, etkileşimli gen programları aracılığıyla işlediğine inandığınızda ağ tabanlı yol zenginleştirmeyi kullanın. Özellikle kanser genomiklerinde, hastalık mekanizması çalışmalarında ve sinyal topolojisinin önemli olduğu ilaç hedefi belirlemede değerlidir. Ayrıca, standart gen kümesi zenginleştirme (GSEA) veya aşırı temsil analizi gürültülü veya kötü yorumlanabilir sonuçlar verdiğinde ve etkileşim yapısının doğruyu yanlış sinyallerden ayırabileceğini düşündüğünüzde de uygundur. Etkileşim ağınızın organizmanız veya doku türünüz için düşük kapsama alanına sahip olduğu durumlarda, örneklem büyüklüğünün çok küçük olduğu durumlarda (koşul başına üçten az tekrar), araştırma sorusunun yol düzeyinden ziyade gen düzeyinde olduğu durumlarda veya hesaplama kaynakları ve biyoenformatik uzmanlığının sınırlı olduğu durumlarda BU YÖNTEMİ KULLANMAYIN — bu ortamlarda daha basit zenginleştirme yöntemleri daha çözülebilir ve tekrarlanabilir olacaktır.
Güçlü yönler & sınırlılıklar
- Düz liste zenginleştirme yöntemlerine görünmez olan koordineli gen programı düzensizliğini yakalayan moleküler etkileşim ağlarının topolojisinden yararlanır.
- Bireysel gen ölçüm gürültüsüne daha dayanıklıdır: zayıf ölçüde değişmiş ancak yüksek derecede bağlı genler, yol puanlarına anlamlı bir şekilde katkıda bulunabilir.
- Düğüm öznitelikleri olarak birden çok puan katmanı atayarak çoklu-omik entegrasyonunu doğal olarak barındırır.
- Yol düzeyindeki p değerlerinden daha yüksek mekanistik çözünürlük sağlayan aktif ağ modüllerini — bir yol içindeki belirli alt grafikleri — belirler.
- Kısmen bilinen nedensel ağ yapısının olduğu karmaşık hastalıklarda hipotez üretimi için uygundur.
- Sonuçlar, seçilen etkileşim ağının eksiksizliğine ve kalitesine büyük ölçüde bağlıdır; seyrek veya yanlı ağlar (örneğin, model olmayan organizmalar için yetersiz temsil edilenler) yanıltıcı zenginleştirmeler üretebilir.
- Hesaplama açısından yoğundur: permütasyon tabanlı önemlilik testi, büyük ağlar ve veri kümeleri için önemli kaynaklar gerektirir.
- Ağ kapsama yanlılıkları iyi çalışılmış genleri (örneğin, hub proteinleri) destekler, potansiyel olarak yeni, daha az karakterize edilmiş genleri gölgede bırakabilir.
- Uygun ağ kaynaklarını, puanlama algoritmalarını ve permütasyon stratejilerini seçmek için biyoenformatik uzmanlığı gerektirir; tüm veri türlerine uyan evrensel bir uygulama yoktur.
- Aktif modüllerin biyolojik olarak yorumlanması hala alan uzmanlığı gerektirir ve tam olarak otomatik değildir.
SSS
Ağ tabanlı zenginleştirme standart GSEA'dan nasıl farklıdır?
GSEA, önceden tanımlanmış bir kümedeki genlerin sıralanmış bir gen listesi boyunca rastgele dağılmadığını test eder ve küme üyelerini değiştirilebilir olarak ele alır. Ağ tabanlı zenginleştirme ek olarak bu genler arasındaki etkileşim topolojisini de hesaba katar: aynı gen kümelerine ancak farklı ağ bağlantılarına sahip iki yol farklı puanlar alabilir. Ağ yöntemleri bireysel gen gürültüsüne karşı daha dayanıklı olma eğilimindedir ve aktif alt modülleri belirleyebilir, ancak yüksek kaliteli bir etkileşim ağı gerektirir ve hesaplama açısından daha ağırdır.
Hangi etkileşim ağını kullanmalıyım?
Evrensel olarak en iyi seçim yoktur. STRING, geniş kapsamı ve güvenle puanlanmış kenarları ile popülerdir; BioGRID ve IntAct, daha az yanlış pozitif ile deneysel olarak doğrulanmış etkileşimler sağlar; KEGG ve Reactome, küratörlü sinyal yolu grafikleri sunar. İnsan hastalıkları çalışmaları için, GTEx veya TCGA ko-ekspresyon verilerinden oluşturulan dokuya özgü ağlar genellikle genel ağlardan daha iyi performans gösterir. Seçim, organizma, veri türü ve araştırma sorusu tarafından yönlendirilmeli ve ideal olarak iki veya daha fazla ağ üzerinde hassasiyet analizleriyle test edilmelidir.
Güvenilir p değerleri için kaç permütasyon gereklidir?
Keşif analizleri için tipik olarak minimum 1.000 permütasyon önerilir; özellikle sınırdaki anlamlılığa sahip yollar için kesin FDR tahmini gerektiğinde 5.000–10.000 permütasyon tercih edilir. Gen etiket permütasyonu (hangi genlerin hangi skoru taşıdığını karıştırma), genel skor dağılımını korur ve standart yaklaşımdır. Amaç, gen kümesi özgüllüğünden ziyade koşullar arasındaki yol düzeyinde varyansı değerlendirmek olduğunda örnek permütasyonu kullanılır.
Bu yöntemi tek hücreli RNA-seq verilerine uygulayabilir miyim?
Evet, ancak önemli uyarlamalarla. Standart tek hücreli veriler seyrektir ve hücre başına gen tespit oranı düşüktür, bu da gen düzeyinde ağ eşleştirmesini gürültülü hale getirir. Pratik yaklaşımlar arasında önce hücre tipi ve koşul başına psödo-bulk toplama yapmak, ardından toplanmış profiller üzerinde ağ zenginleştirmesi uygulamak veya tek hücreli sinyal çıkarımı için tasarlanmış NicheNet veya CARNIVAL gibi özel araçlar kullanmak yer alır. Toplama yapılmadan doğrudan toplu odaklı ağ zenginleştirmesinin bireysel hücre profillerine uygulanması önerilmez.
Bu yaklaşımı hangi yazılım araçları uyguluyor?
İyi belgelenmiş uygulamalar şunları içerir: NetGSA (R paketi, ağ güdümlü gen kümesi testi için titiz istatistiksel çerçeve), PARADIGM (faktör grafikleri aracılığıyla yol aktivitesi çıkarımı, TCGA çalışmalarında kullanılır), jActiveModules (aktif modül tespiti için Cytoscape eklentisi) ve PCSF (Omik veriler için Prize-Collecting Steiner Forest, Python). Ağlar üzerinde çoklu-omik entegrasyonu için, Cytoscape'te ağ görselleştirmesi ile birleştirilmiş MOFA+ da yaygın olarak kullanılmaktadır. Araç seçimi, veri türüne, ağ biçimine ve belirli istatistiksel soruna uymalıdır.
Kaynaklar
- Ideker, T., Ozier, O., Schwikowski, B., & Siegel, A. F. (2002). Discovering regulatory and signalling circuits in molecular interaction networks. Bioinformatics, 18(suppl_1), S233–S240. link ↗
- Vaske, C. J., Benz, S. C., Sanborn, J. Z., Earl, D., Szeto, C., Zhu, J., Haussler, D., & Stuart, J. M. (2010). Inference of patient-specific pathway activities from multi-dimensional cancer genomics data using PARADIGM. Bioinformatics, 26(12), i237–i245. DOI: 10.1093/bioinformatics/btq182 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Network-based Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/network-based-pathway-enrichment-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gen Kümesi Zenginleşme Analizi (GSEA)Biyoenformatik↔ karşılaştır