CYTOSCAPE - ПЛАГИН ДЛЯ ПОСТРОЕНИЯ СТРУКТУРНЫХ МОДЕЛЕЙ БИОЛОГИЧЕСКИХ СЕТЕЙ В ВИДЕ СЛУЧАЙНЫХ ГРАФОВ

Современные методы экспериментальных исследований позволяют реконструировать различного типа биологические сети, включая генные и метаболические сети, сети интерактомики, сети коэкспрессии генов, сети заболеваний и т. д. В данной статье представлена разработанная нами система построения структурных моделей биологических сетей в виде набора случайных графов, структурные закономерности которых совпадают со структурными закономерностями исходной биологической сети. Такие структурные модели могут быть использованы для проверки различных статистических гипотез на сетях, в исследовании влияния структурных закономерностей в биологических сетях на их функцию и других задачах. При генерации структурных моделей в случайных графах могут быть зафиксированы следующие характеристики: распределение степеней вершин, попарное распределение степеней вершин, средняя степень соседних вершин, коэффициент кластеризации, спектр кластеризации, частота структурных мотивов различных размеров и др. Разработанная система построена по архитектуре клиент-сервер и состоит из плагина Cytoscape и удаленного вычислительного сервиса. Взаимодействие между клиентом и сервером реализовано посредством фреймворка gRPC с применением протокола сериализации структурированных данных Protocol Buffers. Система позволяет асинхронно конструировать структурные модели заданных биологических сетей в виде случайных графов посредством программ Random Network Generator и GTrie Scanner. Результат построения может быть загружен для визуализации и анализа средствами пакета Сytoscape. С использованием разработанной системы проведен вычислительный эксперимент по реконструкции структурных моделей ряда биологических сетей, для которых удалось построить алгоритм предсказания времени расчетов структурных моделей.

биологические сети, случайные графы, структурные модели

1. Alm E., Arkin A. P. Biological networks // Current opinion in structural biology. 2003. Vol. 13. No. 2. P. 193-202.

2. Gosak M., Markovič R., Dolenšek J., Slak Rupnik M., Marhl M., Stožer A., Perc M. Network science of biological systems at different scales: A review // Physics of Life Reviews. 2018. Vol. 24. P. 118-135.

3. Ananko E. A., Podkolodnyy N. L., Stepanenko I. L., Podkolodnaya O. A., Rasskazov D. A., Miginsky D. S., Likhoshvai V. A., Ratushny A. V., Podkolodnaya N. N., Kolchanov N. A. GeneNet in 2005 // Nucleic Acids Res. 2005. Vol. 33. P. D425-D427.

4. Vella D., Zoppis I., Mauri G., Mauri P., Di Silvestre D. From protein-protein interactions to protein co-expression networks: a new perspective to evaluate large-scale proteomic data // EURASIP Journal on Bioinformatics and Systems Biology. 2017. Vol. 6.

5. Stuart J. M., Segal E., Koller D., Kim S. K. A gene-coexpression network for global discovery of conserved genetic modules // Science. 2003. Vol. 302 (5643). P. 249-255.

6. Podkolodnaya O. A., Podkolodnaya N. N., Podkolodnyy N. L. The mammalian circadian clock: Gene regulatory network and computer analysis // Russian Journal of Genetics: Applied Research. 2015. Vol. 5. No. 4. P. 354-362.

7. Emamjomeh A., Robat E. S., Zahiri J., Solouki M., Khosravi P. Gene co-expression network reconstruction: a review on computational methods for inferring functional information from plant-based expression data // Plant Biotechnol. Rep. 2017. Vol. 11. P. 71-86.

8. Hu J. X., Thomas C. E., Brunak S. Network biology concepts in complex disease comorbidities // Nature Reviews Genetics. 2016. Vol. 17. P. 615-629.

9. Novkovic M., Onder L., Bocharov G., Ludewig B. Graph Theory-Based Analysis of the Lymph Node Fibroblastic Reticular Cell Network // Methods Mol. Biol. 2017. Vol. 1591. P. 43-57. DOI: 10.1007/978-1-4939-6931-9_4.

10. Grebennikov D., Loon R. van, Novkovic M., Onder L., Savinkov R., Sazonov I., Tretyakova R., Watson D. J., Bocharov G. Critical Issues in Modeling Lymph Node Physiology // Computation. 2017. Vol. 5 (3).

11. Ivanisenko V. A., Saik O. V., Ivanisenko N. V., Tiys E. S., Ivanisenko T. V., Demenkov P. S., Kolchanov N. A. ANDSystem: an Associative Network Discovery System for automated literature mining in the field of biology // BMC Syst. Biol. 2015. Vol. 9. Suppl. 2:S2. DOI: 10.1186/17520509-9-S2-S2.

12. Luo T., Wu S., Shen X., Li L. Network cluster analysis of protein-protein interaction network identified biomarker for early onset colorectal cancer // Mol. Biol. Rep. 2013. Vol. 40 (12). P. 6561-6568.

13. Yan W., Xue W., Chen J., Hu G. Biological Networks for Cancer Candidate Biomarkers Discovery // Cancer Informatics. 2016. Vol. 15 (S3). P. 1-7. DOI: 10.4137/CIN.S39458.

14. Albert R., Jeong H., Barabasi A.-L. Error and attack tolerance of complex networks // Nature. 2000. Vol. 406. P. 378-382. Truong C.-D., Kwon Y.-K. Investigation on changes of modularity and robustness by edge-removal mutations in signaling networks // BMC Systems Biology. 2017. Vol. 11 (Suppl. 7). P. 125.

15. Erdős P., Rényi A. On random graphs I // Publications Mathematicae Debrecen. 1959. Vol. 6. P. 290-297.

16. Gilbert E. N. Random graphs // Annals of Mathematical Statistics. 1959. Vol. 30. P. 1141-1144. DOI:10.1214/aoms/1177706098.

17. Bollobas B., Riordan O. M. Mathematical results on scale-free random graphs // Handbook of Graphs and Networks. 1st ed. Eds. S. Bornholdt, H. G. Schuster. Wiley VCH, Weinheim, 2003. P. 1-34.

18. Orsini C., Dankulov M. M., Colomer-de-Simón P., Jamakovic A., Mahadevan P., Vahdat A., Bassler K. E., Toroczkai Z., Boguñá M., Caldarelli G., Fortunato S., Krioukov D. Quantifying randomness in real networks // Nature Communications. 2015. Vol. 6. P. 8627.

19. Orsini C., Mitrovic D. M., Jamakovic A., Mahadevan P., Colomer-de-Simon P., Vahdat A., Bassler K., Toroczkai Z., Boguñá M., Caldarelli G., Fortunato S., Krioukov D. How random are complex networks // CoRR. 2015. abs/1505.07503.

20. Newman M. E. J. Assortative Mixing in Networks // Phys. Rev. Lett. 2002. Vol. 89. P. 208701.

21. Nobari S. et al. Fast random graph generation // Proc. of the 14th International conference on extending database technology. ACM, 2011. P. 331-342.

22. Milo R., Shen-Orr S., Itzkovitz S., Kashtan N., Chklovskii D., Alon U. Network motifs: simple building blocks of complex networks // Science. 2002. Vol. 298. P. 824-827.

23. Jamakovic A. et al. How small are building blocks of complex networks // arXiv preprint arXiv:0908. 1143. - 2009.

24. Taylor R. Constrained switching in graphs // SIAM J. Algebraic Discrete Meth. 1982. Vol. 3 (1). P. 115-121.

25. Simon P. C. de. RandNetGen: a Random Network Generator. URL: http://polcolomer. github.io/RandNetGen/ (дата обращения 25.05.2018).

26. Stanton I., Pinar A. Constructing and sampling graphs with a prescribed joint degree distribution // ACM J. Exp. Algor. 2012. Vol. 17 (3). Article 3.5 (August 2012). 25 p.

27. Ray J., Pinar A., Seshadhri C. A stopping criterion for Markov chains when generating independent random graphs // Journal of Complex Networks. 2015. Vol. 3 (2). P. 204-220.

28. Shannon P., Markiel A., Ozier O., Baliga N. S., Wang J. T., Ramage D., Amin N., Schwikowski B., Ideker T. Cytoscape: a software environment for integrated models of biomolecular interaction networks // Genome Res. 2003. Nov. Vol. 13 (11). P. 2498-2504.

29. Killcoyne S. et al. Cytoscape: a community-based framework for network modeling // Protein Networks and Pathway Analysis. 2009. P. 219-239.

30. Saito R. et al. A travel guide to Cytoscape plugins // Nature Methods. 2012. Vol. 9. No. 11. P. 1069-1076.

31. Lotia S., Montojo J., Dong Y., Bader G. D., Pico A. R. Cytoscape app store // Bioinformatics. 2013. Vol. 29 (10). P. 1350-1351.

32. Донован А. А., Керниган Б. У. Язык программирования Go: Пер. с англ. М.: ИД Вильямс, 2016. 432 с.

33. Cerami E. Web services essentials: distributed applications with XML-RPC, SOAP, UDDI & WSDL. O'Reilly Media, Inc., 2002. 304 p.

34. Seymour K. et al. Overview of GridRPC: A remote procedure call API for grid computing // International Workshop on Grid Computing. Springer, Berlin, Heidelberg, 2002. P. 274-278.

35. Varda K. Protocol buffers: Google’s data interchange format // Google Open Source Blog, Jul. 2008. URL: https://opensource.googleblog.com/2008/07/protocol-buffers-googles-data.html/. (дата обращения 20.07.2018)

36. Ribeiro P. gtrieScanner - Quick Discovery of Network Motifs // CRACS & INESC-TEC, DCC/FCUP. URL: http://www.dcc.fc.up.pt/gtries/ (дата обращения 25.05.2018).

37. Goh K. I. et al. The human disease network // Proc. of the National Academy of Sciences. 2007. Vol. 104. No. 21. P. 8685-8690.

38. Bu D. et al. Topological structure analysis of the protein-protein interaction network in budding yeast // Nucleic acids research. 2003. Vol. 31. No. 9. P. 2443-2450.

39. Подколодный Н. Л., Твердохлеб Н. Н., Подколодная О. А. Анализ циркадного ритма биологических процессов в печени и почках мыши // Вавиловский журнал генетики и селекции. 2017. Т. 21, № 8. С. 903-910.

40. Kotlyar M. et al. Integrated Interactions Database: Tissue-specific view of the human and model organism interactomes // Nucleic Acids Res. URL: http://dcv.uhnres.utoronto.ca/iid/ (дата обращения 20.07.2018).