生物网络分析

生物网络分析

# 网络中心性与简化模块度示意
edges = [("A", "B"), ("A", "C"), ("B", "C"), ("C", "D"), ("D", "E"), ("D", "F")]
adj = {}
for a, b in edges:
    adj.setdefault(a, set()).add(b)
    adj.setdefault(b, set()).add(a)

deg = {n: len(adj[n]) for n in adj}
print("度中心性:", dict(sorted(deg.items(), key=lambda x: -x[1])))

def modularity(communities):
    m = len(edges)
    q = 0.0
    for comm in communities:
        for i in comm:
            for j in comm:
                a_ij = 1 if j in adj[i] else 0
                q += a_ij - deg[i] * deg[j] / (2 * m)
    return q / (2 * m)

print("模块度(示例划分):", round(modularity([{"A", "B", "C"}, {"D", "E", "F"}]), 3))
​

生物网络分析的产出常与通路富集互为印证：网络模块结合 GO/KEGG 注释，可发现疾病相关的核心通路与关键调控节点。实际工作中，网络整合工具（如 STRING、Cytoscape）提供了从互作数据到可视化的完整通道。理解网络指标的生物学含义与局限（噪声、偏倚），才能把网络图变成可靠的生物学结论。

网络构建与社区发现

生物网络用节点表示分子（基因、蛋白、代谢物），用边表示它们之间的关系，如物理互作、共表达、调控、代谢反应。网络分析的起点是构建高质量网络：实验互作数据需按证据来源与置信度过滤；共表达网络基于表达矩阵计算基因间的相关或互信息；调控网络则整合转录因子结合与表达证据。网络构建后可用图论指标刻画结构：度中心性衡量节点连接的多少，介数中心性衡量节点处于多少最短路径上，枢纽节点（hub）往往是生物过程中重要的调控因子。

社区发现（模块检测）把网络划分为联系紧密的子图，对应功能模块或蛋白复合物。常用算法包括基于模块度优化的 Louvain 算法、随机游走的 walktrap 等。模块内节点往往功能相关，结合通路注释可解释模块的生物学含义。网络比较还可揭示疾病状态下的拓扑重排。网络分析对噪声敏感，边质量与网络规模显著影响结论。

# 网络中心性与简化模块度示意
edges = [("A", "B"), ("A", "C"), ("B", "C"), ("C", "D"), ("D", "E"), ("D", "F")]
adj = {}
for a, b in edges:
    adj.setdefault(a, set()).add(b)
    adj.setdefault(b, set()).add(a)

deg = {n: len(adj[n]) for n in adj}
print("度中心性:", dict(sorted(deg.items(), key=lambda x: -x[1])))

def modularity(communities):
    m = len(edges)
    q = 0.0
    for comm in communities:
        for i in comm:
            for j in comm:
                a_ij = 1 if j in adj[i] else 0
                q += a_ij - deg[i] * deg[j] / (2 * m)
    return q / (2 * m)

print("模块度(示例划分):", round(modularity([{"A", "B", "C"}, {"D", "E", "F"}]), 3))
​

生物网络的"拓扑语言"：中心性、模块与网络基序

生物网络分析（network biology）用网络科学的方法研究生物系统，其"拓扑语言"值得掌握：网络的表示（节点 = 分子（基因、蛋白、代谢物）、边 = 相互作用（PPI、调控、代谢反应）——"生物系统 = 分子网络"）；拓扑指标（度（degree——连接的边数）、中心性（度中心性、介数中心性（betweenness——"桥接"的节点）、特征向量中心性（PageRank 类——"重要的节点连接重要的节点"））——"枢纽与桥接是网络的关键节点"）；模块与社群（模块（module——紧密连接的子网络——功能单元）、社群检测（Louvain 等算法——"网络的模块化结构"）——"功能模块 = 网络的社区结构"）；以及网络基序（network motif——反复出现的小模式（前馈环、反馈环——"网络的构建模块"——"基序是网络的功能单元"）。

生物网络分析的"应用"：基因调控网络（转录因子-靶基因——"调控的逻辑"（激活/抑制））；蛋白质相互作用网络的疾病分析（疾病基因的模块聚集（disease module）——"疾病是网络病"——"枢纽蛋白是药物靶点的重要候选"）；代谢网络（代谢通量的网络建模——"代谢的系统观"）；以及"网络医学"（药物靶点（网络中的枢纽/模块成员）、药物重定位（网络关联的药物-疾病连接））。做一个"网络思维"练习：理解"为什么网络视角重要"（单分子视角看不到"系统行为"——网络的拓扑（枢纽、模块）揭示了"关键节点与功能单元"——"系统生物学 = 网络生物学"）；理解"网络分析的数据依赖"（网络的构建依赖相互作用数据的质量（实验 vs 预测）——"数据质量决定网络质量"）。生物网络分析是"系统生物学"的核心方法——从拓扑指标到模块检测到疾病应用，网络分析把"分子清单"转化为"系统结构"的理解。
回顾本节核心：网络的拓扑（枢纽、模块、基序）；网络医学（疾病模块、药物靶点）。网络分析是"系统生物学"的核心方法——从拓扑指标到模块检测，网络视角揭示了"单分子视角看不到的系统结构"。