一种融合静态与滑动时间窗口社区检测的生物网络活性模块动态追踪算法

《Scientific Reports》：A new evolutive clustering algorithm (eSIMBA) for active module identification in p-value attributed temporal biological networks

　　

摘要

生物过程本质上是动态的：基因表达和分子相互作用随着细胞机制随时间演变而波动。活性模块识别方法（AMIMs）通过识别表现协同活动的分子实体集合来捕捉这些功能行为。然而，理解生物系统需要超越静态图像，要求对这种模块化动态进行时间维度的上下文关联。为满足这一需求，所提出的算法将静态社区检测与滑动时间窗口社区检测相结合，采用贪心匹配程序以维持跨时间的一致性。该方法在每个时间点检测活性模块，并持续追踪其演化过程。在合成和真实生物网络上进行的广泛实验证实了该算法的有效性。通过显式地纳入时间变异性，所提出的方法揭示了活性模块如何涌现、分裂、合并或消失，为具有节点属性的生物网络的动态组织提供了新的见解。