sbv  Improver  Sub-­‐Challenge  4:  Species  Specific  Network  Inference    

Gyan  Bhanot,  Rutgers  U.    Michael  Biehl,  U.  Groningen  Sahand  Hormoz,  KITP/UCSB  Adel  Dayarian,  KITP/UCSB  

Outline  

1)  Defining  the  problem  

2)  Data  processing  

3)  Modeling  the  network,  voGng  algorithm  for  the  edges    4)  AddiGon  and  removal  of  the  edges      

Overall  Challenge  Goals  

Given  phosphoprotein,    gene  expression    and  cytokine  data  

inference   network   specific  rat  and  human  networks  

Noise  Curve  and  SaturaGon  effect  in  Genes  

0 5 10 150

0.5

1

Mean GenEx

Std

Gen

Ex

Linearizing  the  signal  –  To   remove   the   saturaGon   effect,   apply   F-­‐1   to                            the  gene  expression  signal  

0 20 400

10

20

g

F(g)

Designate  genes,  proteins  and  cytokines  as  on/off    

•   Chose  a  sharp  threshold  of  p  <  0.01  •   Binarized  the  data  into  on  =  1,  off  =  0  

Gene  Exp:  

•   Used  the  recommended  threshold  of  3.0  •   Binarize:  If  >  3,  then  phos=yes,  if  <  3  then  phos  =  no  Phos.  Protein:  

•   Similar  to  proteins,  but  Binarize:                            If  signal  >  1.5,  then  cyto=yes,  if  <  1.5  then  cyto=  no  •   Because  noise  value  amongst  replicas  was  almost  half  of  that  for  proteins  •   If  either  the  gene  or  the  corresponding  cytokine  is  ON,  turn  both  nodes  ON    

Cytokine:  

Similar  to  previous  sub-­‐challenges  

1)  Analyze  the  sub-­‐tree  of  each  sGmulus  separately  

2)  For  each  sGmulus,  determine  whether  a  node  has  changed  compared  to  the  control  (assign  ON/OFF)  

3)   Edge   removal   -­‐-­‐   voGng   algorithm   based   on   connecGvity   of  the  ON  and  the  OFF  nodes.    

 4)   Add   edges   such   that   all   the   ON   nodes   are   included   in   the  

sub-­‐tree  

General  strategy  

…  …  …  …  

SPmuli  

Receptors  

Adaptors,  Signals  1/5  

Trans.  Factors  

Target/Cytokines   …  

Analyzing  the  sub-­‐tree  of  each  sGmulus  separately  

•   Start  by  sGmulus  at  the  root,  go  down  layer  by  layer  to  form                the  corresponding  sub-­‐tree  •   This  divides      the      nodes      into  two    groups:      inside  the  sub-­‐tree  (colored)  or  outside  it  (grey)    

…  …  …  …  …  

ON/OFF  nodes  and  their  relaGon  to  the  sub-­‐tree  

…  …  …  …  …  

ON  nodes  filled  with  color  

•   All  the  ON  nodes  should  be  in              the  subtree  • OFF   nodes   should   not   be   in      

 the  network  

Assump;on:  

Modify   the   network   such   that   the   above  assumpGons  become  valid  

Goal:  

Edge  removal:  VoGng  algorithm  across  sGmuli  

…  …  …  

• PosiPve   vote   for   an   edge   if   it  connects    two  ON  nodes  

• NegaPve   vote   for   an   edge   if   it  connects   an   ON   node   to   an   OFF  node  • ON   node’s   layer   >=   OFF   node’s  layer.  e.g.  a    signaling    protein    can    affect    another   signaling     protein     or       a      transcripPon      factor    but  it      cannot      affect      a      receptor.    

Final  voGng  score  for  an  edge:  Sum  all  the  posi;ve  and  nega;ve  votes  from  all  26  s;muli  

…  

Edge  removal  strategy    

Want  to  be  conservaGve  since:    • Real   gene/protein   networks   are   complex   (non-­‐linearity,  cooperaGvity,  Gme  delay,  etc.),  but      our      voGng      algorithm      does      not      address      this      complexity.    

•    Provided  data   is   in   the     form     of     snapshots,  which   is   probably  insensiGve    to      important    Gme    dependent    effects.  e.g.      For    some      sPmuli,      a      cytokine      level      does      not      show      a      significant      change,      whereas      the      expression      level      for      the      corresponding      encoding      gene      shows      a      significant      change.      

•    There       are       mulGple     possible   soluGons     and       there       is      insufficient  informaGon      to      pick      a      unique      soluGon  

Edge  removal  strategy    

Bearing  all  the  above  limitaGons  in  mind,  we  chose  to…    

Remove  an  edge  if:      -­‐ It  has  only  negaPve  votes  and  no  posiPve  vote  from  26  sPmuli  

-­‐ It  is  connected  on  both  ends  to  measured  nodes  (phosphorylaPon,    gene      expression    or    cytokine)    

Edge  addiGon  strategy    

Add   new   edge   such   that   an  ON   node   that  does  not   lie   in   the  sub-­‐tree  of   the  s;mulus  becomes   connected   to   an  ON   node   that   is  already  included  in  the  sub-­‐tree  

• There      are      mulGple    soluGons:  Can  connect  the  node  to  any  other  ON  node  in  the  sub-­‐tree  that  is  in  the  same  layer  or  in  a  higher  layer.  e.g.  can  connect  a  target  to  a  TF,  or  to  a  signaling  molecule,  or  to  a  receptor…    •   Calculate  the  mutual  informaGon  (like  previous  sub-­‐challenges)  between  ON  node  outside  sub-­‐tree  and  all  ON  nodes  already  in  the  sub-­‐tree.  Add  an  edge  to  connect  to  the  node  with  the  highest  mutual  informaGon    

What  we  might  have  done  to  improve  the  results  

•  Compute  correlaGon  between  connected  nodes.  Use  simulated  annealing  to  add/remove  nodes  to  generate  alternates  

•  Use  Mutual  InformaGon  instead  of  correlaGon  in  the  above  and  further  prune.  

•  Use  LOO  on  all  of  the  above  to  esGmate  the  FP  and  FN  rates.  

•  Use  “Gene  Centrality”  from  Bilal  et  al,  Genes  Cancer.  2010  Oct;1(10):1063-­‐73.  

 

Team  members  

Sahand  Hormoz   Michael  Biehl    

Adel  Dayarian