Hücrelerin içsel dinamiklerini ve fonksiyonel programlarını belirleyen gen düzenleyici ağların bilgisayar ortamında modellenmesi, günümüz biyoinformatik çalışmalarının merkezinde yer almaktadır. Genler arasındaki karmaşık etkileşimlerin ve regülasyon mekanizmalarının çözümlenmesi, organizmaların sistem seviyesindeki biyolojik kararlarını anlamak adına kritik bir öneme sahiptir. Geçmişten günümüze biriken biyomedikal araştırmalar; gen ontolojisi anotasyonları, transkripsiyon faktörü etkileşimleri ve yolak bilgileri gibi devasa bir fonksiyonel bilgi havuzunu kamuya açık veri tabanlarında erişilebilir kılmıştır. Ancak, veri setlerinin gürültüsü ve sınırlı kapsamı bu verilerin matematiksel olarak işlenmesini ve hücre içi moleküler etkileşim ağlarının güvenilir biçimde ortaya çıkarılmasını önemli bir hesaplamalı güçlük haline getirmektedir.
Geleneksel gen düzenleyici ağ inşası algoritmaları, dışsal biyolojik bilgileri göz ardı ederek yalnızca gen ifade verilerinden beslenmektedir. Bu durum, deneysel veri setlerindeki yüksek ölçüm gürültüsü ve sınırlı kapsam nedeniyle, modellerin gerçek dışı etkileşimler üretmesine veya var olan gerçek bağları kaçırmasına sebep olmaktadır. Dr. Maryam Shahdoust, Rosa Aghdam ve Mehdi Sadeghi tarafından yürütülen bu çalışmada, özellikle örnek boyutunun biyolojik değişken sayısına kıyasla çok küçük kaldığı durumlarda ağ çıkarım yöntemlerinin karşılaştığı problemler incelenmiştir. Araştırma ekibi, gen ontolojisindeki işlevsel benzerliklerin, gen düzenleyici ağlarda genler arasında bağlantı bulunma olasılığını artırabileceği varsayımından yola çıkarak, mevcut veri kısıtlılıklarını aşacak yeni bir entegratif hesaplama altyapısı geliştirmeyi hedeflemiştir.
Araştırmacılar bu amaca ulaşmak için, gen ontolojisi anlamsal benzerlik skorlarını yapısal birer dış ipucu olarak modele dahil eden SimMapNet adlı Bayesian matris büzme çerçevesini geliştirmiştir. Yöntem, yönlendirilmemiş grafiksel modellerde ağ yapısını temsil eden kesinlik matrisini (varyans-kovaryans matrisinin tersi) tahmin etmek için Wishart öncül dağılımını (Bayesian analizinde parametrelere dair deneysel veri öncesi inanç dağılımı) kullanmaktadır. Gen ontolojisinden elde edilen sürekli benzerlik değerleri, izotropik çekirdek fonksiyonları (veriler arası mesafeleri ağırlıklandırma matematiksel fonksiyonlar) aracılığıyla öncülkovaryans yapısına dönüştürülmekte ve modelin hiper parametrelerine entegre edilmektedir. Algoritmanın performans doğrulaması, Escherichia coli bakterisinin SOS DNA hasar yanıt yolağına ait farklı örnek boyutlarındaki iki ayrı mikroarray veri seti ile Drosophila melanogaster (meyve sineği) organizmasından elde edilen transkripsiyon faktörü hedef gen verileri üzerinde gerçekleştirilmiştir.
Yürütülen karşılaştırmalı analizler, SimMapNet modelinin biyolojik ön bilgileri istatistiksel sürece dahil ederek ağ çıkarım performansını artırdığını göstermektedir.Geliştirilen yaklaşım; GLASSO, GENIE3 ve KBOOST gibi literatürde yerleşik ağ çıkarım yöntemleriyle benchmark (performans karşılaştırma testi) edilmiş ve test edilen tüm veri setlerinde daha yüksek F1-skorları sergilemiştir. Gerçekleştirilen bootstrap (veriden yeniden örneklem oluşturma yöntemi) simülasyonları, SimMapNet’in özellikle düşük örneklemli veri senaryolarında rakiplerine karşı belirgin bir üstünlük sağladığını ve örneklem dalgalanmalarına karşı yüksek kararlılık gösterdiğini göstermektedir. Bunun yanı sıra, modelin stokastik (rastlantısal) arama döngülerini tamamen devre dışı bırakan ve doğrudan matris cebirine dayanan kapalı form optimizasyon güncellemeleri sayesinde, hesaplama zamanı maliyetinin büyük ölçekli ağlarda dahi saniyeler mertebesinde kaldığı saptanmıştır.
SimMapNet çerçevesinin ortaya koyduğu sonuçlar, bağımsız veri tabanlarından gelen fonksiyonel gen anotasyonlarının bir düzenlileştirme (regularization) terimi olarak kullanılmasının ağ modellerinin yorumlanabilirliğini artırdığını göstermektedir. Gerçekleştirilen kontrollü pertürbasyon (ön bilgiyi bozma) analizleri, modelin başarısının genel matris yapısından değil, doğrudan gen çiftlerine ait spesifik biyolojik koordinasyondan kaynaklandığını doğrulamıştır. Sonuç olarak, gen ontolojisi verilerini esnek birer olasılıksal ağırlık olarak işleyen bu Bayesian yaklaşımını, gelecekte mikrobiyom ağları gibi farklı biyolojik ağ çıkarım problemlerine de uyarlanabilecek bir hesaplamalı çerçeve sunmaktadır.
YAZAR: Burak Can GÜREL
Editör: Damla ÖZDEMİR
Referans:
Shahdoust, M., Aghdam, R., & Sadeghi, M. (2026). SimMapNet: A Bayesian framework for gene regulatory network inference using gene ontology similarities as external hint. BMC Bioinformatics, 27, Article 258. https://doi.org/10.1186/s12859-026-06542-9
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
