Discriminative pattern discovery on biological networks

این کار مروری بر شبکه های بیولوژیکی به عنوان مدلی برای تجزیه و تحلیل، ارائه و بحث در مورد تعدادی از تحلیل های روشنگر ارائه می دهد. شبکه های بیولوژیکی یک مدل موثر برای ارائه بینش در مورد مکانیسم های بیولوژیکی هستند. شبکه هایی با ویژگی های متفاوت برای نمایش سناریوهای مختلف به کار گرفته می شوند. این مدل قدرتمند به تحلیلگران اجازه می‌دهد تا انواع مختلفی از تجزیه و تحلیل‌ها را انجام دهند که می‌توان برای ارائه اطلاعات جالب در مورد رفتارهای بیولوژیکی زیربنایی استخراج کرد.

این متن همچنین تکنیک‌هایی را برای کشف الگوهای استثنایی، مانند الگوی حسابداری برای شباهت‌های محلی و همچنین اثرات مشترک شامل تعاملات بین بازیگران متعدد (به عنوان مثال ژن). در میان این الگوهای استثنایی، الگوهای متمایز از اهمیت ویژه‌ای برخوردارند، یعنی آن‌هایی که می‌توانند بین دو جمعیت ورودی (مثلاً نمونه‌های سالم/ناسالم) تمایز قائل شوند.

علاوه بر این، کار شامل بحث در مورد جدیدترین پیشنهاد در مورد کشف الگوهای متمایز است، که در آن یک شبکه برچسب‌گذاری شده برای هر نمونه وجود دارد که در نتیجه پایگاه داده‌ای از شبکه‌ها به‌عنوان یک مجموعه نمونه به نمایش در می‌آید. این به تحلیلگر امکان می‌دهد به تحلیل بسیار دقیق‌تری نسبت به تکنیک‌های سنتی دست یابد، که فقط می‌توانند شبکه‌ای از هر جمعیت را در نظر بگیرند.

This work provides a review of biological networks as a model for analysis, presenting and discussing a number of illuminating analyses. Biological networks are an effective model for providing insights about biological mechanisms. Networks with different characteristics are employed for representing different scenarios. This powerful model allows analysts to perform many kinds of analyses which can be mined to provide interesting information about underlying biological behaviors.

The text also covers techniques for discovering exceptional patterns, such as a pattern accounting for local similarities and also collaborative effects involving interactions between multiple actors (for example genes). Among these exceptional patterns, of particular interest are discriminative patterns, namely those which are able to discriminate between two input populations (for example healthy/unhealthy samples).

In addition, the work includes a discussion on the most recent proposal on discovering discriminative patterns, in which there is a labeled network for each sample, resulting in a database of networks representing a sample set. This enables the analyst to achieve a much finer analysis than with traditional techniques, which are only able to consider an aggregated network of each population.