Obtención de redes de asociación directa con aplicación a datos ómicos

Abstract

Los microRNA (miRNA) son importantes reguladores génicos, que inhiben la traducción y/o promueven la degradación de sus RNA diana. Participan en procesos esenciales y juegan un papel en muchas patologías. Por ello, establecer las redes de regulación miRNA - genes puede ser importante. Existen diversos métodos computacionales de predicción de dianas. En este trabajo, exploramos métodos para inferir asociaciones directas a partir de datos de expresión de experimentos de microarrays. Para ello, utilizamos algoritmos que estiman correlaciones parciales y permiten crear Gaussian Graphical Models (GGM) a partir de datos de grandes dimensiones, con mayor número de variables que muestras. Evaluamos el rendimiento de algoritmos de este tipo implementados en paquetes de R aplicándolos a datos de diversas características: datos pequeños con n > p, datos normales multivariantes simulados, datos genómicos simulados y datos reales de expresión de mRNA y miRNA. Los resultados muestran la utilidad de las redes de asociación creadas por GGM en datos con pocas variables y muchas muestras. Sin embargo, el fallo de estos métodos a la hora de inferir asociaciones se hace evidente conforme aumenta el número de variables.

microRNA (miRNA) are key genic regulators that inhibit translation and/or promote degradation of their target RNA. They take part in essential biological processes and play a role in various diseases. Thus, stablishing the miRNA ¿ genes regulation network can be important. Different computational methods have been developed to predict miRNA targets. In this study, we explore methods to infer direct associations from expression data coming from microarray experiments. In order to do this, we use algorithms that estimate partial correlations and allow us to create Gaussian Graphical Models (GGM) from high-dimensional data, where there are more variables than samples. We evaluate the performance of algorithms already implemented in R packages, by applying them to different kinds of data: small data, with n > p, simulated multivariate normal data, simulated genomic data and real mRNA and miRNA expression data. Results show how association networks created by GGM are useful in conditions with little variable and lots of samples. However, we become aware of the failure of these methods to infer associations as the number of variables grows bigger.

Els microRNA (miRNA) són importants reguladors gènics, que inhibeixen la traducció i/o promouen la degradació de les seves RNA diana. Participen en processos essencials i juguen un paper en moltes patologies. Per això, establir les xarxes de regulació miRNA - gens pot ser important. Existeixen diversos mètodes computacionals de predicció de dianes. En aquest treball, explorem mètodes per inferir associacions directes a partir de dades d'expressió d'experiments de microarrays. Per a això, utilitzem algorismes que estimen correlacions parcials i permeten crear Gaussian Graphical Models (GGM) a partir de dades de grans dimensions, amb major nombre de variables que mostres. Avaluem el rendiment d'algorismes d'aquest tipus implementats en paquets de R aplicant-los a dades de diverses característiques: dades petites amb n > p, dades normals multivariantes simulats, dades genómicos simulats i dades reals d'expressió de mRNA i miRNA. Els resultats mostren la utilitat de les xarxes d'associació creades per GGM en dades amb poques variables i moltes mostres. No obstant això, la fallada d'aquests mètodes a l'hora d'inferir associacions es fa evident conforme augmenta el nombre de variables.