【生物网络】Computational Network Analysis with R: Applications in Biology, Medicine and Chemistry

r囧r小猫 2022-08-28 00:54 158阅读 0赞

### Computational Network Analysis with R: Applications in Biology, Medicine and Chemistry ###

*  使用R语言进行计算网络分析：在生物学、医学和化学中的应用
 *   *  Description
     *  关于作者
     *  目录
 *  1. 使用 DiffCorr 包分析和可视化生物网络中的差异相关性
 *  2.动态属性图中异常检测的分析模型和方法
 *  3.用于社交网络分析的贝叶斯计算算法
 *  4.使用 iDEMO降低 R 中的阈值
 *  5.使用 R 包 Sampling Strata 优化分层采样：网络数据的应用
 *  6.使用网络方法探索小分子在生物系统中的作用
 *  7.使 R执行网络对齐
 *  8.高维高斯马尔可夫随机场中的 L1 惩罚方法
 *  9.使用 R 对社交网络进行聚类分析
 *  10. R中基因调控网络的推理与分析
 *  11.使用 NetBioV 可视化生物网络

# 使用R语言进行计算网络分析：在生物学、医学和化学中的应用 #

## Description ##

本书来自“定量网络生物学”系列。这个标题表示本书的主要内容包括用于分析网络生物学和化学信息学等领域的网络数据的创新和现有方法。

本书通过便于理解的语言对该领域的理论背景和应用场景进行介绍，也证明了 R 是一种强大的语言，用于统计分析网络和解决诸如网络采样和bootstrapping等大规模现象。

本书由在该领域具有出色记录的编辑和作者撰写，包含了网络分析中参考的 R 代码。

## 关于作者 ##

Matthias Dehmer 在the University of Siegen（德国）学习数学并获得博士学位。the Technical University of Darmstadt（德国）计算机科学专业。之后，他在Vienna Bio Center（奥地利）、Vienna University of Technology和University of Coimbra（葡萄牙）担任研究员。他从维也纳科技大学获得了应用离散数学的资格。目前，他是 UMIT - 健康与生命科学大学（奥地利）的教授，并在慕尼黑联邦国防军大学任职。他的研究兴趣包括应用数学、生物信息学、系统生物学、图论、复杂性和信息论。他在他的研究领域发表了 180 多篇出版物。

Yongtang Shi在西北大学（中国西安）学习数学，在南开大学（中国天津）获得应用数学博士学位。他访问了 Technische Universitat Bergakademie Freiberg（德国）、UMIT（奥地利）和西蒙弗雷泽大学（加拿大）。现任南开大学组合数学中心副教授。他的研究兴趣是图论及其应用，尤其是图论在数学化学、计算机科学和信息论中的应用。他在图论及其应用方面撰写了 40 多篇出版物。

Frank Emmert-Streib 在the University of Siegen（德国）学习物理学，在the University of Bremen（德国）获得理论物理学博士学位。他在斯托尔斯医学研究所（美国堪萨斯城）和华盛顿大学（美国西雅图）接受博士后培训。目前，他是Computational Biology at Tampere University of Technology（芬兰）计算生物学副教授。主要研究方向为计算医学、网络生物学和统计基因组学。

## 目录 ##

# 1. 使用 DiffCorr 包分析和可视化生物网络中的差异相关性 #

Atsushi Fukushima and Kozo Nishida  
1.1 简介  
1.1.1 组学和系统生物学导论  
1.1.2 组学和系统生物学中的相关网络  
1.1.3 网络模块和差分网络方法  
1.1.4 本章目的

1.2 什么是DiffCorr?  
1.2.1 背景  
1.2.2 方法  
1.2.3 DiffCorr 中的主要功能  
1.2.4 安装 DiffCorr 包

1.3 从组学数据构建共表达（相关）网络——转录组数据集  
1.3.1 下载转录组数据集  
1.3.2 数据过滤  
1.3.3 相关网络的相关性计算和可视化  
1.3.4 图聚类  
1.3.5 基因本体富集分析

1.4 DiffCorr 包的微分相关分析  
1.4.1 拟南芥器官间差异共表达的计算  
1.4.2 探索缺乏黄酮类化合物的拟南芥的代谢组数据  
1.4.3 避免（微分）相关分析中的陷阱

1.5 结论

# 2.动态属性图中异常检测的分析模型和方法 #

Benjamin A. Miller, Nicholas Arcolano, Stephen Kelley, and Nadya T. Bliss  
2.1 简介  
2.2 章节定义和符号  
2.3 图数据中的异常检测  
2.3.1 基于邻域的技术  
2.3.2 频繁子图技术  
2.3.3 随机图中的异常

2.4 随机图模型  
2.4.1 具有属性的模型  
2.4.2 动态图模型

2.5 动态属性图中的谱子图检测  
2.5.1 问题模型  
2.5.2 过滤器优化  
2.5.3 属性图中的残差分析

2.6 在 R 中的实现  
2.7 随机合成背景中的演示  
2.8 数据分析例

2.9 总结

# 3.用于社交网络分析的贝叶斯计算算法 #

阿尔贝托·凯莫 (Alberto Caimo) 和伊莎贝拉·戈里尼 (Isabella Gollini)  
3.1 引言  
3.2 作为随机图的社交网络  
3.3 社交网络分析的统计建模方法  
3.3.1 指数随机图模型 (ERGM)  
3.3.2 潜在空间模型 (LSM)  
3.4 社会网络模型的贝叶斯推理  
3.4.1 基于 R 的软件工具  
3.5 数据  
3.5.1 指数随机图模型的贝叶斯推理  
3.5.2 潜在空间模型的贝叶斯推理  
3.5.3 预测拟合优度 (GoF) 诊断  
3.6 结论

# 4.使用 iDEMO降低 R 中的阈值 #

彭建宇和郑亚山  
4.1 介绍  
4.2 统计概述：退化模型  
4.2.1 基于维纳降解的过程  
4.2.2 基于 Gamma 退化的过程  
4.2.3 基于逆高斯退化的过程  
4.2.3.1 寿命分布  
4.2.3.2 对数似然函数  
4.2.4 模型选择标准  
4.2.5 Λ(t) 91 的选择  
4.2.6 阈值退化  
4.3 iDEMO 界面和功能  
4.3.1 包 iDEMO 功能概述  
4.3.2 数据输入格式  
4.3.3 启动 iDEMO  
4.3.4 单一退化模型分析  
4.3.5 零碎  
4.3.6 计算细节  
4.4 案例应用  
4.4.1 激光示例  
4.4.2 疲劳示例  
4.4.3 ADT 示例  
4.5 结束语

# 5.使用 R 包 Sampling Strata 优化分层采样：网络数据的应用 #

马可·巴林和朱利奥·巴卡罗利  
5.1 网络和分层抽样  
5.2 R包采样Strata  
5.2.1 一般设置  
5.2.2 框架中地层优化的一般程序  
5.2.3 一个例子  
5.3 网络应用  
5.3.1 使用网络作为帧  
5.3.2 大规模网络采样  
5.4 结论

# 6.使用网络方法探索小分子在生物系统中的作用 #

Rajarshi Guha 和 Sourav Das  
6.1 网络在药物发现中的作用  
6.2 用于网络分析的 R  
6.3 将小分子与目标、途径和疾病联系起来  
6.3.1 药物-目标网络  
6.3.2 疾病网络  
6.3.3 SAR 网络  
6.3.4 检测网络  
6.3.5 脚手架网络  
6.3.6 脚手架文档网络  
6.4 R 作为药物发现中的网络分析平台  
6.5 讨论

# 7.使 R执行网络对齐 #

黄强与吴凌云  
7.1 引言  
7.2 问题、模型和算法  
7.2.1 问题  
7.2.2 模型和算法  
7.2.3 比较与挑战  
7.3 基于条件随机场的算法  
7.3.1 用于网络查询的 CNetQ  
7.3.2 成对网络对齐的 CNetA  
7.3.3 多网络对齐的 CNetMA  
7.4 使用 R 执行网络对齐  
7.4.1 安装  
7.4.2 用法  
7.4.3 示例  
7.4.4 Web 服务和工具功能  
7.5 讨论

# 8.高维高斯马尔可夫随机场中的 L1 惩罚方法 #

Luigi Augugliaro、Angelo M. Mineo 和 Ernst C. Wit  
8.1 引言  
8.2 图论：术语和基本拓扑概念  
8.3 概率图形模型  
8.4 马尔可夫随机场  
8.4.1 Ising 模型和扩展  
8.4.2 高斯马尔可夫随机场  
8.5 高维 GMRF 中的稀疏推理  
8.5.1 邻域选择  
8.5.2 R 包 simone  
8.5.3 溶骨性病变数据集：邻域选择法分析  
8.5.4 图形套索估计器  
8.5.5 R 包 glasso：在模拟数据集上计算梯度和系数解路径  
8.5.6 glasso 估计器的计算方面：块坐标下降算法  
8.5.7 通过精确协方差阈值实现更快的计算  
8.5.8 肺癌微阵列数据：glasso Estimator 分析  
8.5.9 联合图形套索  
8.5.10 jglasso 估计器的计算方面：ADMM 算法  
8.5.11 R 包 JGL  
8.5.12 肺癌微阵列数据：jglasso Estimator 分析  
8.5.13 结构化图形套索  
8.5.14 R 包 sglasso  
8.5.15 脑膜炎奈瑟菌数据集：fglasso Estimator 分析  
8.6 选择调谐参数的最佳值  
8.7 总结与结论

# 9.使用 R 对社交网络进行聚类分析 #

玛丽卡·查拉德  
9.1 引言  
9.2 社交网络中的聚类分析  
9.2.1 社交网络数据  
9.2.2 社交网络中的聚类  
9.3 使用 R 在社交网络中进行聚类分析  
9.3.1 用于聚类分析的 R 包  
9.3.2 数据加载和格式化  
9.3.3 凝聚层次聚类  
9.3.4 边缘介数聚类算法  
9.3.5 快速贪婪模块化优化算法  
9.3.6 Walktrap算法  
9.4 讨论和进一步阅读

# 10. R中基因调控网络的推理与分析 #

Ricardo de M. Simoes、Matthias Dehmer、Constantine Mitsiades 和 Frank Emmert-Streib  
10.1 引言  
10.2 多发性骨髓瘤  
10.3 从 CRAN 和 Bioconductor 安装所需的 R 包  
10.4 数据预处理  
10.5 Bc3net 基因调控网络推理  
10.6 为功能分析检索和生成基因集  
10.7 通路和其他基因集集合  
10.7.1 基因调控网络的功能富集分析  
10.8 结论

# 11.使用 NetBioV 可视化生物网络 #

Shailesh Tripathi、Salissou Moutari、Matthias Dehmer 和 Frank Emmert-Streib  
11.1 介绍  
11.2 网络可视化  
11.3 NetBioV  
11.3.1 全球网络布局  
11.3.2 模块化网络布局  
11.3.3 分层网络（多根）布局  
11.3.4 其他功能  
11.4 示例：使用 NetBioV 的网络可视化  
11.4.1 加载库和数据  
11.4.2 全局布局样式  
11.4.3 模块化布局样式  
11.5 结论  
11.6 附录  
11.6.1 图 11.2 和 11.3 中可视化的 R 代码  
11.7 螺旋视图  
11.7.1 图 11.7 中的螺旋布局样式

--------------------

相关书籍推荐：《Quantitative and Network Biology Series》  
![Quantitative and Network Biology Series][]

[Quantitative and Network Biology Series]: /images/20220828/7c7ece1a44d24e8aaee8f5a2c7bde04a.png