From silico.biotoul.fr

Au cours de ce TD, nous allons utiliser une librairie (minet) faisant partie de la suite Bioconductor afin d'inférer un réseau de régulation à partir de données d'expression.

Une fois le réseau reconstruit, il s'agira d'évaluer sa qualité.

Ensuite, on pourra également visualiser le réseau obtenu avec Cytoscape par exemple.

Principe

• Calcul d'une matrice d'information mutuelle (ou de corrélations) entre chaque paire de profils d'expression
  • pour cela plusieurs estimateurs sont disponibles et utilisent des données nominales. Il faudra donc effectuer une discrétisation au préalable.
• Inférence du réseau
  • méthodes : CLR, ARACNe, et MRNET
• Evaluation du réseau obtenu par rapport à un jeu de référence
  • courbes Precision-Recall et ROC
• Choix d'un seuil, extraction du graphe obtenu et visualisation sous Cytoscape
• Partitionnement du réseau et recherche de fonctions biologiques sur-représentées au sein des clusters

Données

• Pour l'inférence : Compendium de données d'expression

L'idée est de récupérer des données d'expression depuis GEO sur l'organisme qui nous intéresse. Ici, on prendra Escherichia coli. Un certain nombre de design de microarray (GPLxxx) sont disponibles. Ceux arborant le plus d'hybridations (GSMxxx) sont GPL199 (52 séries GSExxx et 938 hybridations GSMxxx au 6 février 2013) et GPL3154 (121 séries et 956 hybridations au 6 février 2013 également).

Après avoir choisi d'utiliser GPL3154, les informations sur les 121 séries ont été étudiées pour sélectionner les plus pertinentes (en fonction de la souche dont proviennent les ARNm extraits, des conditions expérimentales, etc.).

• Pour la validation : Réseau de référence

Librairie R

• Installer la librairie minet de Bioconductor