МОДИФИКАЦИЯ МЕТОДА СОВМЕСТНОЙ КЛАСТЕРИЗАЦИИ В ГРАФОВОМ И КОРРЕЛЯЦИОННОМ ПРОСТРАНСТВАХ

Гайнуллина А.Н., Артемов М., Сергушичев А.А. Модификация метода совместной кластеризации в графовом и корреляционном пространствах // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 6. С. 807-814. doi: 10.17586/2226-1494-2020-20-6-807-814

Предмет исследования. Метод совместной кластеризации в графовом и корреляционном пространствах предназначен для идентификации активных модулей в метаболических графах на основании транскриптомных данных, представленных большим числом образцов. Получаемые с помощью данного метода активные модули описывают динамическую метаболическую регуляцию во всех образцах анализируемого набора данных. В работе изложены способы модификации предложенного метода для применения на реальных данных. Метод. Для изучения устойчивости получаемых результатов модифицированный метод был многократно запущен на реальных данных с небольшими вариациями исходных параметров. Для анализа результатов сформулировано несколько метрик, отражающих степень похожести и представленности полученных при разных запусках модулей. Основные результаты. Результаты анализа в целом являются достаточно устойчивыми: для большинства модулей их профили хорошо находятся в шумных данных, а также сохраняется большинство генов этих модулей. Практическая значимость. Результаты приведенных исследований показали, что используемые модификации метода позволяют успешно анализировать реальные данные путем получения активных модулей, обладающих устойчивостью и простотой в интерпретации.

1. Van den Bossche J., O’Neill L.A., Menon D. Macrophage immunometabolism: where are we (going)? // Trends in Immunology. 2017. V. 38. N 6. P. 395–406. doi: 10.1016/j.it.2017.03.001

2. Al-Khami A.A., Rodriguez P.C., Ochoa A.C. Energy metabolic pathways control the fate and function of myeloid immune cells // Journal of Leukocyte Biology. 2017. V. 102. N 2. P. 369–380. doi: 10.1189/jlb.1VMR1216-535R

3. Wculek S.K., Khouili S.C., Priego E., Heras-Murillo I., Sancho D. Metabolic control of dendritic cell functions: digesting information // Frontiers in immunology. 2019. V. 10. P. 775. doi: 10.3389/fimmu.2019.00775

4. Wang Z., Gerstein M., Snyder M. RNA-Seq: a revolutionary tool for transcriptomics // Nature Reviews Genetics. 2009. V. 10. N 1. P. 57–63. doi: 10.1038/nrg2484

5. Chen G., Ning B., Shi T. Single-cell RNA-Seq technologies and related computational data analysis // Frontiers in Genetics. 2019. V. 10. P. 317. doi: 10.3389/fgene.2019.00317

6. Beisser D., Grohme M.A., Kopka J., Frohme M., Schill R.O., Hengherr S., Dandekar T., Klau G.W., Dittrich M., Müller T. Integrated pathway modules using time-course metabolic profiles and EST data from Milnesium tardigradum // BMC Systems Biology. 2012. V. 6. P. 72. doi: 10.1186/1752-0509-6-72

7. Jha A.K., Huang S.C., Sergushichev A., Lampropoulou V., Ivanova Y., Loginicheva E., Chmielewski K., Stewart K., Ashall J., Everts B., Pearce E., Driggers E.M., Artyomov M.N. Network integration of parallel metabolic and transcriptional data reveals metabolic modules that regulate macrophage polarization // Immunity. 2015. V. 42. N 3. P. 419–430. doi: 10.1016/j.immuni.2015.02.005

8. Artyomov M.N., Sergushichev A., Schilling J.D. Integrating immunometabolism and macrophage diversity // Seminars in immunology. 2016. V. 28. N 5. P. 417–424. doi: 10.1016/j.smim.2016.10.004

9. Sergushichev A.A., Loboda A.A., Jha A.K., Vincent E.E., Driggers E.M., Jones R.G., Pearce E.J., Artyomov M.N. GAM: a web-service for integrated transcriptional and metabolic network analysis // Nucleic acids research. 2016. V. 44. N W1. P. W194–W200. doi: 10.1093/nar/gkw266

10. Гайнуллина А.Н., Шалыто А.А., Сергушичев А.А. Метод совместной кластеризации в графовом и корреляционном пространствах // Моделирование и анализ информационных систем. 2020. Т. 27. № 2. С. 180–193. doi: 10.18255/1818-1015-2020-2-180-193

11. Loboda A.A., Artyomov M.N., Sergushichev A.A. Solving generalized maximum-weight connected subgraph problem for network enrichment analysis // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2016. V. 9838. P. 210–221. doi: 10.1007/978-3-319-43681-4_17

12. Benoist C. Open-source ImmGen: Mononuclear phagocytes // Nature Immunology. 2016. V. 17. N 7. P. 741. doi: 10.1038/ni.3478

13. Gautier E.L. Shay T., Miller J., Greter M., Jakubzick C., Ivanov S., Helft J., Chow A., Elpek K.G., Gordonov S., Mazloom A.R., Ma'ayan A., Chua W.-J., Hansen T.H., Turley S.J., Merad M., Randolph G.J., Best A.J., Knell J., Goldrath A., Brown B., Jojic V., Koller D., Cohen N., Brenner M., Regev A., Fletcher A., Bellemare-Pelletier A., Malhotra D., Jianu R., Laidlaw D., Collins J., Narayan K., Sylvia K., Kang J., Gazit R., Garrison B.S., Rossi D.J., Kim F., Rao T.N., Wagers A., Shinton S.A., Hardy R.R., Monach P., Bezman N.A., Sun J.C., Kim C.C., Lanier L.L., Heng T., Kreslavsky T., Painter M., Ericson J., Davis S., Mathis D., Benoist C. Gene-expression profiles and transcriptional regulatory pathways that underlie the identity and diversity of mouse tissue macrophages // Nature Immunology. 2012. V. 13. N 11. P. 1118–1128. doi: 10.1038/ni.2419

14. Röhl S., Rykaczewska U., Seime T., Suur B.E., Diez M.G., Gådin J.R., Gainullina A., Sergushichev A.A., Wirka R., Lengquist M., Kronqvist M., Bergman O., Odeberg J., Lindeman J.H.N., Quertermous T., Hamsten A., Eriksson P., Hedin U., Matic L.P. Transcriptomic profiling of experimental arterial injury reveals new mechanisms and temporal dynamics in vascular healing response // JVS: Vascular Science. 2020. V. 1. P. 13–27. doi: 10.1016/j.jvssci.2020.01.001

15. Kaufman L., Rousseeuw P.J. Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley & Sons, 1990.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License