ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Instrumentation, Mesure, Métrologie

1631-4670
Revue des Systèmes
 

 ARTICLE VOL 17/4 - 2018  - pp.653-661  - doi:10.3166/i2m.17.653-661
TITLE
Comparing gene regulatory inferring algorithms with different perspective

RÉSUMÉ

Plus de cent algorithmes ont été développés pour déduire des réseaux de régulation de gènes (GRN) décrivant les relations entre gènes. La construction de GRN est un domaine d’intérêt pour les chercheurs depuis le début du siècle actuel. De nombreux concours ont été organisés pour encourager le développement d'algorithmes d'inférence GRN. Ces concours offrent des données synthétiques pour permettre la validation des algorithmes proposés. Un GRN est construit à partir d'une matrice d'adjacence qui contient les relations entre les gènes. Les développeurs de nombreux algorithmes d'inférence GRN ont défini un seuil pour la matrice d'adjacence afin de construire un GRN basé sur des poids de relation gène-gène élevés. Cette stratégie de seuil a été suivie dans des études précédentes pour augmenter la précision de tout algorithme, sans pour autant s'appuyer sur aucune règle bien connue. Une autre perspective consiste à comparer différents algorithmes d'inférence GRN sans définir de seuil. La comparaison dans ce travail est faite entre différents algorithmes d'inférence GRN en implémentant tous les algorithmes sans seuil sur les valeurs des matrices d'adjacence: Méthodes d'équation différentielle (TSNI), causalité de Granger, GP4GRN, GENIE3, NIMEFI (SVR) et PLSNET. Une autre comparaison entre différentes équations métriques de distance pour créer une matrice d'adjacence est également étudiée dans le but de construire un GRN. GP4GRN et GENIE3 contribuent à produire les meilleurs résultats pour dream4 InSilico_Size10, tandis que GENIE3 fournit les meilleurs résultats pour tous les réseaux de dream4 InSilico_Size100.



ABSTRACT

More than hundred algorithms were developed to infer Gene Regulatory Networks (GRN) describing relations between genes. GRN construction has been a field of interest to researchers since the beginning of the current century. Many competitions were held to encourage the development of GRN inference algorithms, such competitions offer synthetic data to enable the validation of proposed algorithms. AGRN is constructed from an adjacency matrix which contains relations between genes. The developers of many of the GRN inference algorithms set a threshold on the adjacency matrix to construct GRN based on high gene-gene relation weights. This threshold strategy was followed in previous studies to increase the accuracy of any algorithm but yet based on no well-known rule. Adifferent perspective here is to compare different GRN inference algorithms without setting any threshold. Comparison in this work is among different GRN inference algorithms by implementing all algorithms with no threshold on values of adjacency matrices: Differential Equation methods (TSNI), Granger Causality, GP4GRN, GENIE3, NIMEFI (SVR), and PLSNET. Another comparison between different distance metric equations to create adjacency matrix is also studied in an attempt to construct GRN. GP4GRN and GENIE3 participate in producing best results for dream4 InSilico_Size10 while GENIE3 produce best results for all networks of dream4 InSilico_Size100.



AUTEUR(S)
Shaimaa M. ELEMBABY, Vidan F. GHONEIM, Manal ABDEL

MOTS-CLÉS
réseau de régulation de gènes, matrice d'adjacence, métriques de distance.

KEYWORDS
gene regulatory network, adjacency matrix, distance metrics.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (129 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier