【转录调控网络】典型的基因转录调控网络推导方法——贝叶斯网络

谁践踏了优雅 2022-08-28 03:58 328阅读 0赞

### 基因转录调控网络推导方法——贝叶斯网络 ###

`贝叶斯网络`是一种 `因果关系`网络，被认为是现今构建 `基因调控网络`最有效的方法之一。

贝叶斯网络是指用`图`形来表示随机向量 X = ( X 1 , . . . , X n ) X=(X\_1,...,X\_n) X=(X1,...,Xn)的联合概率，其中`变量`表示`基因`。贝叶斯网络可以将基因调控关系用图表示出来，如图所示：  
![贝叶斯网络的结构图][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6ZWw5YiA6Z-t6I-c_size_19_color_FFFFFF_t_70_g_se_x_16]  
其中节点表示基因，边表示调控关系，从图中可以看出基因A和基因B共同调控基因C，基因C又协同基因D调控基因E，从而可以根据基因A和基因B的状态推导基因C的状态，再根据基因C的状态并结合基因D的状态推导基因E的状态。

贝叶斯网络已经在系统生物学和生物信息学的各个领域有广泛的应用，在转录调控网络研究中也起到了非常重要的作用。例如，Sun等用对数线性模型来表示基因表达水平，转录相互作用和转录因子活性之间的关系如下：  
 x i ( t ) x 0 ( t ) = ∏ j = 1 c ( a j ( t ) a 0 ( t ) ) J i j （ 1 ） \\frac\{x\_i(t)\}\{x\_0(t)\} = \\prod\_\{j=1\}^\{c\}(\\frac\{a\_j(t)\}\{a\_0(t)\})^\{J\_\{ij\}\} （1） x0(t)xi(t)=j=1∏c(a0(t)aj(t))Jij（1）  
该模型可以看成是稳态或者半稳态形式。文献通过Markov chain Monte Carlo(MCMC)算法建立了贝叶斯误差分析模型来估计调控矩阵或者转录活性。对数线性模型实际产生于基因转录调控的一系列生物化学反应，通过模拟一个包含蛋白质、DNA、mRNA和其他中间物质在内的反应系统的mRNA调控。转录因子绑定DNA序列和吸引RNA聚合酶到DNA转录子区域的过程可以看成是一种可逆反应。考虑到所有可逆反应会达到平衡态，转录起始的化学反应计量可以用如下化学反应表示：  
 D N A i + J i 1 T F 1 + . . . + J i c T F c + p o l I I ⟶ D N A i ( T F 1 ) J i 1 ( T F c ) J i c p o l I I ( 2 ) DNA\_i+J\_\{i1\}TF\_1+...+J\_\{ic\}TF\_c+polII\\longrightarrow DNA\_i(TF\_1)\_\{J\_\{i1\}\}(TF\_c)\_\{J\_\{ic\}\}polII (2) DNAi\+Ji1TF1\+...\+JicTFc\+polII⟶DNAi(TF1)Ji1(TFc)JicpolII(2)  
式中，c是基因i的调控因子的个数；化学计量参数 J i j J\_\{ij\} Jij是转录因子j对基因i的调控强度； D N A i DNA\_i DNAi是基因i序列； p o l I I polII polII是RNA聚合酶II复合体，转录起始产物 D N A i ( T F 1 ) J i 1 ( T F c ) J i c p o l I I DNA\_i(TF\_1)\_\{J\_\{i1\}\}(TF\_c)\_\{J\_\{ic\}\}polII DNAi(TF1)Ji1(TFc)JicpolII是固定复合物。假设细胞中有足够的RNA聚合酶II，系统达到平衡态后，则由生物化学质量守恒定律可得如下方程：  
 \[ D N A i ( T F 1 ) J i 1 ( T F c ) J i c p o l I I \] ∝ ∏ j = 1 c \[ T F j \] J i j ( 3 ) \[DNA\_i(TF\_1)\_\{J\_i1\}(TF\_c)\_\{J\_ic\}polII\]\\propto \\prod\_\{j=1\}^\{c\}\[TF\_j\]^\{J\_\{ij\}\} (3) \[DNAi(TF1)Ji1(TFc)JicpolII\]∝j=1∏c\[TFj\]Jij(3)

假设DNA充分使mRNA合成率达到最大值，在mRNA合成和降解的半稳态假设下，下面的方程：  
 \[ m R N A \] ∝ \[ D N A i ( T F 1 ) J i 1 ( T F c ) J i c p o l I I \] （ 4 ） \[mRNA\]\\propto \[DNA\_i(TF\_1)\_\{J\_i1\}(TF\_c)\_\{J\_ic\}polII\] （4） \[mRNA\]∝\[DNAi(TF1)Ji1(TFc)JicpolII\]（4）  
可以转化为对数线性模型（1），其中 x i ( t ) = \[ m R N A i \] t x\_i(t)=\[mRNA\_i\]\_t xi(t)=\[mRNAi\]t， x i ( 0 ) = \[ m R N A i \] 0 x\_i(0)=\[mRNA\_i\]\_0 xi(0)=\[mRNAi\]0， a j ( t ) = \[ T F j \] t a\_j(t)=\[TF\_j\]\_t aj(t)=\[TFj\]t， a j 0 = \[ T F j \] 0 a\_j0=\[TF\_j\]\_0 aj0=\[TFj\]0。由于基因芯片数据存在噪声以及生物系统的随机性，Sun等构造了一种贝叶斯分层模型来描述在蛋白质-DNA绑定数据和基因表达数据中的测量误差，并用MCMC算法来推导模型参数。

Sabatti和James提出了一种能够`整合文献信息、DNA序列和表达谱`的方法。用已有文献信息来决定关联的转录因子集和DNA序列数据识别可能的靶基因，这能够建立一个调控网络的`先验分布`。然后对基因表达数据建立`对数线性模型`和`贝叶斯模型`来得到新的调控网络和调控强度以及转录因子的活性。这种方法的一个主要优点是能够`重建调控网络以及转录因子的活性`。

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

内容来源： 《生物分子网络的构建与分析》

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA6ZWw5YiA6Z-t6I-c_size_19_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/960c9ef444bc430e823e27af7c48af5a.png