源代码基于网络随机化识别显著基因节点-peaker.pdfVIP

#源代码#基于网络随机化识别显著节点

Peaker

在网络分析中，我们根据节点之间的互作关系，构建出PPI互

作网络，并通过软件如cytoscape等实现可视化，由networkanalysis插

件进行拓扑分析，从而识别出具有重要拓扑性质的节点，如度高

的，通常被认为是hubnode。对于完整的人类蛋白互作网络来说，

这中说法是没有问题的，一个如果参与互作的neighbor

越多，那它影响的下游和功能就越多，因此很可能是重要的疾病

相关或药物靶点。

然而通常我们自己所构建的网络都是由特定的集构成的，例

如疾病相关，功能集，或差异表达等，然后按部就班的识

别互作关系，构建蛋白网络，拓扑性质分析，计算度分布，找到hubnode

作为候选的重要。那么我们就需要考虑一个问题，就是我们所构

建的网络是具有表型特异性的，网络点和边的个数，种类都收到

研究表型的影响，例如差异表达构建的网络，与癌相

关构建的网络其性质肯定是不同的。简单的说就是对于一个具有

特异性的网络，一个节点的度多少算是高，多少又算是低呢？我们并

没有一个明确的评价标准。一个在某一疾病特异的网络点度

是100，那么这个就一定和疾病相关？反之，一个的度只有5，

难道这个就不重要？

所以，为了解决这一问题，我们需要对一个特异性网络进行分析，

识别其具有显著性的阈值，高于这个阈值，那么就是显著的，尽管

这个在网络中的度可能很低；低于这个阈值就是不显著的，

尽管它的度较高。

实现这一目的的方法就是网络随机化（networkrandom

permutation），我们保留网络点个数以及边的个数不变，将节点之

间的互作关系重新排序，结合随机扰动的原理，相当于shuffle洗牌一

样，将整个网络重新洗牌打，但是注意，原则是节点个数和边的个数

保持不变。这样做的目的是对于每一个网络中的节点都可以独立的计

算其显著性，例如A在网络中的度是5，说明A在这个表型

特异性的网络中与5个其他neighbornode有互作，但是网络随

机化，在计算A的度，发现只有3，以上过程重复10000次，

获得了一个A的随机背景分布，假设这10000次中只有100次的

度结果比原始的5大，那么他的P值就是0.01，意味着在这个特异性

网络中，A至少与5个有互作这个是一个小概率，

概率为0.01，因此从随机扰动的角度证明了A的显著性，尽管他

的度很低，但是对于这个特异性网络，他仍是显著的。反之，对于

B，他的度是100，但是经过类似的网络随机化10000次后，有1000次

的度结果都大于100，也就是说尽管B和100个节点由互作，但

这是个大概率，并没有显著性。

读到这里详细大家已经明白网络随机化的必要性和意义了，那么

我们接下来通过python语言实现以上度分布计算以及网络随机化的过

程。