Preview

Моделирование и анализ информационных систем

Расширенный поиск

Метод совместной кластеризации в графовом и корреляционном пространствах

https://doi.org/10.18255/1818-1015-2020-2-180-193

Полный текст:

Аннотация

Алгоритмы на графах часто используются для анализа и интерпретации биологических данных. Одним из широко используемых подходов является решение задачи поиска активного модуля, в которой в графе биологических взаимодействий выделяется связный подграф, лучше всего отражающий разницу между двумя рассматриваемыми биологическими состояниями. В настоящей работе этот подход расширяется на случай большего числа биологических состояний и формулируется задача совместной кластеризации в графовом и корреляционном пространстве.

Для решения этой задачи предлагается итеративный метод, принимающий на вход граф G и матрицу X, в которой строки соответствуют вершинам графа. На выходе алгоритм выдает набор подграфов графа G так, что каждый подграф является связным и строки, соответствующие его вершинам, обладают высокой попарной корреляцией.

Эффективность метода подтверждается экспериментальным исследованием на смоделированных данных.

Об авторах

Анастасия Наильевна Гайнуллина
Университет ИТМО
Россия

Аспирант

Кронверкский пр. 49, г. Санкт-Петербург, 197101



Анатолий Абрамович Шалыто
Университет ИТМО
Россия

Гл. науч. сотр., профессор, докт. техн. наук

Кронверкский пр. 49, г. Санкт-Петербург, 197101



Алексей Александрович Сергушичев
Университет ИТМО
Россия

Доцент, канд. техн. наук

Кронверкский пр. 49, г. Санкт-Петербург, 197101



Список литературы

1. K. Mitra, A. R. Carvunis, S. K. Ramesh, and T. Ideker, “Integrative approaches for finding modular structure in biological networks”, Nat. Rev. Genet., vol. 14, no. 10, pp. 719–732, 2013.

2. E. J. Rossin et al., “Proteins encoded in genomic regions associated with immune-mediated disease physically interact and suggest underlying biology”, PLoS Genet., vol. 7, no. 1, e1001273, 2011.

3. A. K. Jha, S. C. Huang, A. Sergushichev, V. Lampropoulou, Y. Ivanova, E. Loginicheva, K. Chmielewski, K. M. Stewart, J. Ashall, B. Everts, E. J. Pearce, E. M. Driggers, and M. N. Artyomov, “Network integration of parallel metabolic and transcriptional data reveals metabolic modules that regulate macrophage polarization”, Immunity, vol. 42, no. 3, pp. 419–430, 2015.

4. M. D. Leiserson et al., “Pan-cancer network analysis identifies combinations of rare somatic mutations across pathways and protein complexes”, Nat. Genet., vol. 47, no. 2, pp. 106–114, 2015.

5. T. Ideker, O. Ozier, B. Schwikowski, and A. F. Siegel, “Discovering regulatory and signalling circuits in molecular interaction networks”, Bioinformatics (Oxford, England), vol. 18 Suppl 1, S233–S240, 2002.

6. M. T. Ditrich, G. W. Klau, A. Rosenwald, T. Dandekar, and T. Müller, “Identifying functional modules in protein-protein interaction networks: an integrated exact approach.”, Bioinformatics (Oxford, England), vol. 24, no. 13, pp. i223–31, 2008, issn: 1367-4811. doi: 10.1093/bioinformatics/btn161.

7. M. N. Artyomov, A. Sergushichev, and J. D. Schilling, “Integrating immunometabolism and macrophage diversity”, Semin. Immunol., vol. 28, no. 5, pp. 417–424, Oct. 2016.

8. A. A. Loboda, M. N. Artyomov, and A. A. Sergushichev, “Solving Generalized Maximum-Weight Connected Subgraph Problem for Network Enrichment Analysis”, in Algorithms in Bioinformatics: 16th International Workshop, WABI 2016, Aarhus, Denmark, August 22-24, 2016. Proceedings. Cham: Springer International Publishing, 2016, pp. 210–221, isbn: 978-3-319-43681-4.

9. E.´Alvarez-Miranda and M. Sinnl, “A Relax-and-Cut framework for large-scale maximum weight connected subgraph problems”, Computers & Operations Research, vol. 87, pp. 63–82, 2017.

10. P. Langfelder and S. Horvath, “WGCNA: an R package for weighted correlation network analysis”, BMC Bioinformatics, vol. 9, p. 559, 2008.


Для цитирования:


Гайнуллина А.Н., Шалыто А.А., Сергушичев А.А. Метод совместной кластеризации в графовом и корреляционном пространствах. Моделирование и анализ информационных систем. 2020;27(2):180-193. https://doi.org/10.18255/1818-1015-2020-2-180-193

For citation:


Gainullina A.N., Shalyto A.A., Sergushichev A.A. Method of the Joint Clustering in Network and Correlation Spaces. Modeling and Analysis of Information Systems. 2020;27(2):180-193. (In Russ.) https://doi.org/10.18255/1818-1015-2020-2-180-193

Просмотров: 152


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1818-1015 (Print)
ISSN 2313-5417 (Online)