BRENEnet: integración de redes multicapa para la integración de datos ómicos | BMC Bioinformática

  • Rodríguez-Navarro S, Hurt E. Vinculación de la regulación génica con la producción y exportación de ARNm. Curr Opin Cell Biol. 2011;23(3):302–9.

    Artículo
    PubMed

    Google Académico

  • Jaenisch R, Bird A. Regulación epigenética de la expresión génica: cómo el genoma integra señales intrínsecas y ambientales. Nat Genet. 2003;33(3):245–54.

    Artículo
    CAS
    PubMed

    Google Académico

  • Li D, Yang Y, Li Y, Zhu X, Li Z. Regulación epigenética de la expresión génica en respuesta a exposiciones ambientales: del banco al modelo. Sci Medio ambiente total. 2021;776: 145998.

    Artículo
    CAS

    Google Académico

  • Woo H, Ha SD, Lee SB, Buratowski S, Kim T. Modulación de la dinámica de expresión génica mediante metilaciones de histonas cotranscripcionales. Exp Mol Med. 2017;49(4):326–326.

    Artículo

    Google Académico

  • Zhao BS, Roundtree IA, He C. Regulación génica postranscripcional mediante modificaciones de ARNm. Nat Rev Mol Cell Biol. 2017;18(1):31–42.

    Artículo
    CAS
    PubMed

    Google Académico

  • Dreyfuss G, Kim VN, Kataoka N. Proteínas de unión al ARN mensajero y los mensajes que transmiten. Nat Rev Mol Cell Biol. 2002;3:195–205.

    Artículo
    CAS
    PubMed

    Google Académico

  • Metallo CM, Vander Heiden MG. Comprender la regulación metabólica y su influencia en la fisiología celular. Célula Mol. 2013;49(3):388–98.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Carthew RW. Regulación génica y metabolismo celular: una asociación esencial. Tendencias Genet. 2021;37(4):389–400.

    Artículo
    CAS
    PubMed

    Google Académico

  • Du J, Johnson LM, Jacobsen SE, Patel DJ. Vías de metilación del ADN y su diafonía con la metilación de histonas. Nat Rev Mol Cell Biol. 2015;16(9):519–32.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Sabari BR, Zhang D, Allis CD, Zhao Y. Regulación metabólica de la expresión génica a través de acilaciones de histonas. Nat Rev Mol Cell Biol. 2017;18(2):90–101.

    Artículo
    CAS
    PubMed

    Google Académico

  • Subramanian I, Verma S, Kumar S, Jere A, Anamika K. Integración, interpretación y aplicación de datos multiómicos. Bioinform Biol Insights. 2020;14:1–24.

    Artículo

    Google Académico

  • Ma T, Zhang A. Integre datos multiómicos con redes de interacción biológica mediante el autocodificador de factorización de vistas múltiples (MAE). BMC Genómica. 2019;20(11):1–11.

    Google Académico

  • Yue X, Wang Z, Huang J, Parthasarathy S, Moosavinasab S, Huang Y, Lin SM, Zhang W, Zhang P, Sun H. Incrustación de gráficos en redes biomédicas: métodos, aplicaciones y evaluaciones. Bioinformática. 2020;36(4):1241–51.

    CAS
    PubMed

    Google Académico

  • Huber W, Carey VJ, Long L, Falcon S, Gentleman R. Gráficos en biología molecular. BMC Bioinforme. 2007;8(S8):1–14.

    Google Académico

  • Hamilton WL, Ying R, Leskovec J. Aprendizaje de representación en gráficos: métodos y aplicaciones. Boletín de ingeniería de datos IEEE. 2017;40(3):52–74.

    Google Académico

  • Ietswaart R, Gyori BM, Bachman JA, Sorger PK, Churchman LS. Genewalk identifica funciones genéticas relevantes para un contexto biológico mediante el aprendizaje de representación en red. Genoma Biol. 2021;22(1):1–35.

    Artículo

    Google Académico

  • Kc K, Li R, Cui F, Yu Q, Haake AR. GNE: un marco de aprendizaje profundo para la inferencia de redes de genes mediante la agregación de información biológica. BMC Syst Biol. 2019;13(2):1–14.

    Google Académico

  • Perozzi, B, Al-Rfou, R, Skiena, S. Deepwalk: aprendizaje en línea de representaciones sociales. En: Actas de la 20ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimiento y minería de datos; 2014. pág. 701–10.

  • Grover, A, Leskovec, J. node2vec: aprendizaje de características escalables para redes. En: Actas de la 22.ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos; 2016. pág. 855–64.

  • Kuang, D, Ding, C, Park, H. Factorización de matriz no negativa simétrica para agrupamiento de gráficos. En: Actas de la conferencia internacional SIAM 2012 sobre minería de datos; 2012. pág. 106–17. SIAM.

  • Zitnik M, Leskovec J. Predicción de la función multicelular a través de redes de tejido multicapa. Bioinformática. 2017;33(14):190–8.

    Artículo

    Google Académico

  • Bagavathi, A, Krishnan, S. Multi-Net: un marco de integración de red múltiplex escalable. En: Actas de la conferencia internacional sobre redes complejas y sus aplicaciones; 2018. pág. 119–31.

  • Gligorijević V, Barot M, Bonneau R. deepNF: fusión de redes profundas para la predicción de la función de proteínas. Bioinformática. 2018;34(22):3873–81.

    Artículo
    PubMed
    Centro de PubMed

    Google Académico

  • Jagtap S, Çelikkanat A, Pirayre A, Bidard F, Duval L, Malliaros FD. Integración de datos multiómicos para la inferencia de redes reguladoras de genes con incrustaciones de familias exponenciales. En: 29th European Signal Processing Conference (EUSIPCO); 2021. pág. 1221–5.

  • Rudolph M, Ruiz F, Mandt S, Blei D. Incrustaciones de familias exponenciales. En: Actas de la 30ª conferencia sobre sistemas de procesamiento de información neuronal; 2016. pág. 478–86.

  • Çelikkanat A, Malliaros FD. Incrustaciones de gráficos de familias exponenciales. En: Actas de la conferencia AAAI sobre inteligencia artificial, vol 34; 2020. pág. 3357–64.

  • Gonzalez-Reymundez A, Grueneberg A, Lu G, Alves FC, Rincon G, Vazquez AI. Moss: integración multiómica con descomposición en valores dispersos. Bioinformática. 2022;38(10):2956–8.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Nuño-Cabanes C, Ugidos M, Tarazona S, Martín-Expósito M, Ferrer A, Rodríguez-Navarro S, Conesa A. A multi-omics dataset of heat-shock response in the yeast RNA binding protein Mip6. Datos de ciencia. 2020;7(69):1–10.

    Google Académico

  • Dalman MR, Deeter A, Nimishakavi G, Duan ZH. Doble el cambio y pags los valores de corte alteran significativamente las interpretaciones de los microarrays. BMC Bioinforme. 2012;13:1–4.

    Artículo

    Google Académico

  • Zhang B, Horvath S. Un marco general para el análisis de red de coexpresión de genes ponderados. Stat Appl Genet Mol Biol. 2005;4(1):17.

    Artículo

    Google Académico

  • Cherry JM, Adler C, Ball C, Chervitz SA, Dwight SS, Hester ET, Jia Y, Juvik G, Roe T, Schroeder M, et al. SGD: base de datos del genoma de saccharomyces. Ácidos Nucleicos Res. 1998;26(1):73–9.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Teixeira MC, Monteiro PT, Palma M, Costa C, Godinho CP, Pais P, Cavalheiro M, Antunes M, Lemos A, Pedreira T, et al. YEASTRACT: una base de datos actualizada para el análisis de redes reguladoras de la transcripción en Saccharomyces cerevisiae. Ácidos Nucleicos Res. 2018;46(D1):348–53.

    Artículo

    Google Académico

  • Karp PD, Billington R, Caspi R, Fulcher CA, Latendresse M, Kothari A, Keseler IM, Krummenacker M, Midford PE, Ong Q, et al. La colección BioCyc de genomas microbianos y vías metabólicas. Breve Bioinforme. 2019;20(4):1085–93.

    Artículo
    CAS
    PubMed

    Google Académico

  • Chen H, Perozzi B, Hu Y, Skiena S. Harp: aprendizaje de representación jerárquica para redes. En: Actas de la conferencia AAAI sobre inteligencia artificial, vol 32; 2018.

  • Qiu J, Dong Y, Ma H, Li J, Wang K, Tang J. Incrustación de redes como factorización de matrices: unificación de DeepWalk, LINE, PTE y node2vec. En: Actas de la 11.ª conferencia internacional ACM sobre búsqueda web y minería de datos; 2018. pág. 459–67.

  • Levy O, Goldberg Y. Incrustación de palabras neuronales como factorización de matriz implícita. Adv Neural Inf Process Syst. 2014;27:2177–85.

    Google Académico

  • Xie Y, Qiu J, Yu W, Feng X, Chen Y, Tang J. Netmf+: integración de red basada en factorización de matriz aleatoria de paso único rápida y eficaz. preimpresión de arXiv arXiv:2110.12782 (2021).

  • Bisgard J. Análisis y álgebra lineal: la descomposición y aplicaciones de valores singulares, 1ª ed. Biblioteca Matemática Estudiantil. Providencia: Sociedad Matemática Estadounidense; 2020. pág. 217.

  • Liben-Nowell D, Kleinberg J. El problema de predicción de enlaces para redes sociales. J Am Soc Inf Sci Technol. 2007;58(7):1019–31.

    Artículo

    Google Académico

  • Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Vanderplas J. scikit-learn: aprendizaje automático en Python. J Mach Aprenda Res. 2011;12:2825–30.

    Google Académico

  • Flach P, Kull M. Curvas de precisión-recuperación-ganancia: análisis de PR bien hecho. En: Avances en los sistemas de procesamiento de información neuronal, vol 28; 2015.

  • Oughtred R, Rust J, Chang C, Breitkreutz BJ, Stark C, Willems A, Boucher L, Leung G, Kolas N, Zhang F, et al. La base de datos biogrid: un recurso biomédico completo de interacciones proteicas, genéticas y químicas seleccionadas. Ciencia de las proteínas 2021;30(1):187–200.

    Artículo
    CAS
    PubMed

    Google Académico

  • Szklarczyk D, Gable AL, Nastou KC, Lyon D, Kirsch R, Pyysalo S, Doncheva NT, Legeay M, Fang T, Bork P, Jensen LJ, von Mering C. La base de datos STRING en 2021: redes de proteínas personalizables y caracterización funcional de conjuntos de genes/medidas cargados por el usuario. Ácidos Nucleicos Res. 2020;49(D1):605–12.

    Artículo

    Google Académico

  • Monteiro PT, Oliveira J, Pais P, Antunes M, Palma M, Cavalheiro M, Galocha M, Godinho CP, Martins LC, Bourbon N, et al. YEASTRACT+: un portal para la genómica comparativa entre especies de la regulación de la transcripción en levaduras. Ácidos Nucleicos Res. 2020;48(D1):642–9.

    Artículo

    Google Académico

  • Chicco D, Jurman G. Las ventajas del coeficiente de correlación de Matthews (MCC) sobre la puntuación F1 y la precisión en la evaluación de la clasificación binaria. BMC Genómica. 2020;21(6):1–13.

    Google Académico

  • Clauset A, Newman ME, Moore C. Encontrar la estructura de la comunidad en redes muy grandes. Phys Rev E. 2004;70(6): 066111.

    Artículo

    Google Académico

  • Dennis G, Sherman BT, Hosack DA, Yang J, Gao W, Lane HC, Lempicki RA. David: base de datos para anotación, visualización y descubrimiento integrado. Genoma Biol. 2003;4(9):1–11.

    Artículo

    Google Académico

  • Bindea G, Mlecnik B, Hackl H, Charoentong P, Tosolini M, Kirilovsky A, Fridman WH, Pagès F, Trajanoski Z, Galon J. Cluego: un complemento de citopaisaje para descifrar ontología de genes agrupados funcionalmente y redes de anotación de vías. Bioinformática. 2009;25(8):1091–3.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Gligorijevic V, Barot M, Bonneau R. deepNF: fusión de redes profundas para la predicción de la función de proteínas. Bioinformática. 2018;34(22):3873–81.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Qiu J, Dong Y, Ma H, Li J, Wang K, Tang J. Incrustación de redes como factorización de matriz: unificación de deepwalk, line, pte y node2vec. En: Actas de la undécima conferencia internacional ACM sobre búsqueda web y minería de datos; 2018. pág. 459–67.

  • Castells-Roca L, García-Martínez J, Moreno J, Herrero E, Bellí G, Pérez-Ortín JE. La respuesta al choque térmico en la levadura implica cambios tanto en las tasas de transcripción como en la estabilidad del ARNm. Más uno. 2011;6(2):17272.

    Artículo

    Google Académico

  • Clauset A, Newman MEJ, Moore C. Encontrar la estructura de la comunidad en redes muy grandes. Phys Rev E. 2004;70(6): 066111.

    Artículo

    Google Académico

  • Morano KA, Grant CM, Moye-Rowley WS. La respuesta al choque térmico y al estrés oxidativo en Saccharomyces cerevisiae. Genética. 2012;190(4):1157–95.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Verghese J, Abrams J, Wang Y, Morano KA. Biología de la respuesta al choque térmico y proteínas chaperonas: levadura en ciernes (Saccharomyces cerevisiae) como sistema modelo. Microbiol Mol Biol Rev. 2012;76(2):115–58.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Lee D, Redfern O, Orengo C. Predicción de la función de la proteína a partir de la secuencia y la estructura. Nat Rev Mol Cell Biol. 2007;8(12):995–1005.

    Artículo
    CAS
    PubMed

    Google Académico

  • Pastor-Flores D, Ferrer-Dalmau J, Bahí A, Boleda M, Biondi RM, Casamayor A. Depletion of yeast PDK1 orthologs desencadena una respuesta transcripcional similar al estrés. BMC Genómica. 2015;16(1):1–21.

    Artículo

    Google Académico

  • Oromendia AB, Dodgson SE, Amon A. La aneuploidía provoca estrés proteotóxico en la levadura. Genes Dev. 2012;26(24):2696–708.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Segal E, Shapira M, Regev A, Pe’er D, Botstein D, Koller D, Friedman N. Redes de módulos: identificación de módulos reguladores y sus reguladores específicos de la condición a partir de datos de expresión génica. Nat Genet. 2003;34(2):166–76.

    Artículo
    CAS
    PubMed

    Google Académico

  • Yamamoto A, Mizukami Y, Sakurai H. Identificación de una nueva clase de genes objetivo y un nuevo tipo de secuencia de unión del factor de transcripción de choque térmico en Saccharomyces cerevisiae. J Biol Chem. 2005;280(12):11911–9.

    Artículo
    CAS
    PubMed

    Google Académico

  • Matsumoto R, Akama K, Rakwal R, Iwahashi H. La respuesta al estrés contra las proteínas desnaturalizadas en la eliminación de las chaperonas citosólicas SSA1/2 es diferente de la respuesta al choque térmico en Saccharomyces cerevisiae. BMC Genómica. 2005;6(1):1–15.

    Artículo

    Google Académico

  • Düvel K, Santhanam A, Garrett S, Schneper L, Broach JR. Múltiples roles de Tap42 en la mediación de cambios transcripcionales inducidos por rapamicina en levadura. Célula Mol. 2003;11(6):1467–78.

    Artículo
    PubMed

    Google Académico

  • Berry DB, Gasch AP. Los cambios en la expresión genómica activados por el estrés cumplen una función preparatoria para el estrés inminente en la levadura. Célula Mol Biol. 2008;19(11):4580–7.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • O’Duibhir E, Lijnzaad P, Benschop JJ, Lenstra TL, van Leenen D, Groot Koerkamp MJ, Margaritis T, Brok MO, Kemmeren P, Holstege FC. Efectos de la población del ciclo celular en estudios de perturbación. Mol Syst Biol. 2014;10(6):732.

    Artículo
    PubMed
    Centro de PubMed

    Google Académico

  • Shivaswamy S, Iyer VR. Dinámica dependiente del estrés de la remodelación global de la cromatina en la levadura: función dual de SWI/SNF en la respuesta al estrés por choque térmico. Mol Cell Biol. 2008;28(7):2221–34.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Spedale G, Meddens CA, Koster MJ, Ko CW, van Hooff SR, Holstege FC, Timmers HTM, Pijnappel WP. Estrecha cooperación entre Mot1p y NC2β en la regulación de la transcripción de todo el genoma, la represión de la transcripción después de la inducción del choque térmico y la interacción genética con SAGA. Ácidos Nucleicos Res. 2012;40(3):996–1008.

    Artículo
    CAS
    PubMed

    Google Académico

  • Gasch AP, Spellman PT, Kao CM, Carmel-Harel O, Eisen MB, Storz G, Botstein D, Brown PO. Programas de expresión genómica en la respuesta de células de levadura a cambios ambientales. Célula Mol Biol. 2000;11(12):4241–57.

    Artículo
    CAS
    PubMed
    Centro de PubMed

    Google Académico

  • Fuente del artículo

    Deja un comentario