导语

论文题目：

论文题目：

编辑：邓一雪

重叠度由真阳性（同时泛起在关联网络与参考网络）、假阳性（只在关联网络有）、真阴性、假阴性按 Fisher 准确磨练方法盘算。

图中的虚线则代表在原始数据矩阵上使用GeneNet算法以差别显著性权衡尺度给出的截断（cutoff）即阈值。

编辑：邓一雪

重叠度由真阳性（同时泛起在关联网络与参考网络）、假阳性（只在关联网络有）、真阴性、假阴性按 Fisher 准确磨练方法盘算。

图中的虚线则代表在原始数据矩阵上使用GeneNet算法以差别显著性权衡尺度给出的截断（cutoff）即阈值。

之后研究者还进一步证明晰该方法推广到代谢组学和转录组学数据中均有较好的效果。

1.传统方法与先验知识辅助方法

编辑：邓一雪

审校：王力飞

图5：IgG重构网络与参考网络重叠度的Fisher磨练

这样的网络推断历程虽然简朴却有显着缺陷以至于降低网络推断的鲁棒性和可重复性。首先样本量的增大会显着影响统计效果例如样本量越大则网络越浓密。

其次差别的磨练方法有差别的基本假设可能会获得完全差别的网络。这些网络只管在统计学上没问题却未必能有效表现潜在的生物机制。

作者：刘培源、陈昊

显然Pearson与parcor方法的效果并欠好而使用参考网络最优截断获得的最优的GeneNet网络很是靠近GeneNet网络最优的统计截断点（虚线FDR=0.05）。

研究者首先使用先验知识 将已知的一定存在关联的节点举行毗连构建了参考网络（reference network）。然后在对比差别阈值下的 （推断的）网络与使用先验知识构建的辅助（参考）网络之间的重叠水平后选择重叠度最好的情况作为网络推断效果。

研究者从IgG糖基化途径中选择一定比例（从10%到90%不等）的边随机构建网络；还虚构了差别数量的错误连边构建网络。

但如图7a、7b所示只管先验知识不足或有部门错误但最优截断点却险些不受影响。

从关联网络中搜索出与参考网络重叠水平最大的网络并截取该网络即为最优网络（optimal network）。

图8：先验知识质量不佳仍可以推断出最优网络

2.在详细网络中验证

关联网络（correlation network）经常被用于提取生物组学中的相互作用但其连边选择通常基于统计显著性可能无法有效捕捉到生物学机制。