がん特性特異的遺伝子調節ネットワークを識別するための適応ネットワークプロフィラー

現在、効率的に構築されたサンプル固有の遺伝子ネットワークが効果的なパーソナライズされた癌治療につながるため、サンプル（患者）固有の遺伝子調節ネットワーク識別について多くの議論があります。遺伝子調節ネットワークを推測するために統計的アプローチが提案されていますが、L1タイプの正規化などの既存の方法がすべてのサンプルの平均結果を提供するため、この方法はサンプル固有の特性を明らかにすることはできません。したがって、転写調節ネットワークにおけるサンプル固有の特性を明らかにすることはできません。この問題を解決するために、ネットワークプロファイラーは、カーネルベースのL1タイプの正規化に基づいて提案されました。ネットワークプロフィラーは、ターゲットサンプルのモデリングに対するサンプルの効果を制御するためのガウス角関数に基づいて、各サンプルに重量を課します。ただし、この方法は、スパース領域のターゲットサンプルに対して遺伝子調節ネットワークの識別を適切に実行することはできません（つまり、ターゲットサンプルでは、​​ターゲットサンプルの同様の特性を持つサンプルは少数しかありません。このサンプル特異的なサンプルは、ガウシアンカネル機能の一定の帯域幅がターゲットサンプルのサンプルをモデル化するためのサンプルを実質的にモデル化するためのサンプルを効果的にモデル化するためのサンプルを効果的にグループ化するために、ターゲットサンプルを実質的にグループ化するためのサンプルを実質的にグループ化するために、特性をサンプル固有の遺伝子ネットワーク構造のモジュレーターと見なします）。抗がんの薬物感受性などの癌の特性は通常、不均一に分布しているため、まばらな領域でのサンプルのモデリングも重要な問題です。修正されたK-Nearest Neighter（KNN）-Gaussianカーネル関数に基づいた新しいカーネルベースのL1タイプの正規化方法を提案します。修正されたKNN-Gaussianカーネル関数を使用することにより、私たちの方法は、サンプル固有の分析のためのがん特性に応じて、モジュレーターの分布に対して堅牢な結果を提供します。さらに、カーネルベースのL1型正規化方法でサンプル固有のチューニングパラメーターを選択するためのサンプル固有の一般化交差検証を提案します。数値研究は、提案された適応型ネットワークプロフィラーがサンプル固有の遺伝子ネットワーク構造を効果的に実行することを示しています。提案された統計戦略を、公開されているサンガーゲノムデータ分析に適用し、抗がんの薬物感受性特異的遺伝子調節ネットワークを抽出します。

There is currently much discussion about sample (patient)-specific gene regulatory network identification, since the efficiently constructed sample-specific gene networks lead to effective personalized cancer therapy. Although statistical approaches have been proposed for inferring gene regulatory networks, the methods cannot reveal sample-specific characteristics because the existing methods, such as an L1-type regularization, provide averaged results for all samples. Thus, we cannot reveal sample-specific characteristics in transcriptional regulatory networks. To settle on this issue, the NetworkProfiler was proposed based on the kernel-based L1-type regularization. The NetworkProfiler imposes a weight on each sample based on the Gaussian kernal function for controlling effect of samples on modeling a target sample, where the amount of weight depends on similarity of cancer characteristics between samples. The method, however, cannot perform gene regulatory network identification well for a target sample in a sparse region (i.e., for a target sample, there are only a few samples having a similar characteristic of the target sample, where the characteristic is considered as a modulator in sample-specific gene network construction), since a constant bandwidth in the Gaussian kernel function cannot effectively group samples for modeling a target sample in sparse region. The cancer characteristics, such as an anti-cancer drug sensitivity, are usually nonuniformly distributed, and thus modeling for samples in a sparse region is also a crucial issue. We propose a novel kernel-based L1-type regularization method based on a modified k-nearest neighbor (KNN)-Gaussian kernel function, called an adaptive NetworkProfiler. By using the modified KNN-Gaussian kernel function, our method provides robust results against the distribution of modulators, and properly groups samples according to a cancer characteristic for sample-specific analysis. Furthermore, we propose a sample-specific generalized cross-validation for choosing the sample-specific tuning parameters in the kernel-based L1-type regularization method. Numerical studies demonstrate that the proposed adaptive NetworkProfiler effectively performs sample-specific gene network construction. We apply the proposed statistical strategy to the publicly available Sanger Genomic data analysis, and extract anti-cancer drug sensitivity-specific gene regulatory networks.