Identification of metabolic network models from incomplete high-throughput datasets

Sara Berthoumieux 1, * Matteo Brilli 2, 3 Hidde De Jong 1 Kahn Daniel 2 Eugenio Cinquemani 1
* Auteur correspondant
1 IBIS - Modeling, simulation, measurement, and control of bacterial regulatory networks
LAPM - Laboratoire Adaptation et pathogénie des micro-organismes [Grenoble], Inria Grenoble - Rhône-Alpes, Institut Jean Roget
3 BAMBOO - An algorithmic view on genomes, cells, and environments
Inria Grenoble - Rhône-Alpes, LBBE - Laboratoire de Biométrie et Biologie Evolutive
Résumé : Les techniques actuelles de mesures à haut-débit pour le métabolisme et l'expression génique fournissent de très nombreuses données pour l'identification de modèles de réseaux métaboliques. Cependant, l'existence de données manquantes tout au long du jeu de données restreint le nombre effectif de données disponibles et rend les techniques classiques de régression imprécises ou inapplicables. Il est donc primordial d'utiliser des techniques d'identification qui tiennent compte explicitement de ces observations manquantes. Nous développons une approche basée sur le maximum de vraisemblance pour l'estimation de paramètres de modèles de réseaux métaboliques. Elle repose sur l'intégration de distributions a priori pour compenser les données manquantes. Nous implémentons cette méthode d'identification dans le cadre de la modélisation métabolisme par le formalisme linlog à l'aide d'un algorithme EM (Expectation-Maximization) et d'une méthode plus directe d'optimisation numérique. Nous évaluons la performance de nos méthodes en les comparant à des approches existantes et nous montrons que notre méthode EM produit les meilleurs résultats sur différents scénarios simulés. Nous appliquons ensuite l'algorithme EM à un problème réel, l'identification d'un modèle du métabolisme central du carbone chez Escherichia coli, basée sur un important jeu de données expérimentales de la littérature. Les résultats obtenus sont prometteurs et nous permettent de mettre en évidence certains aspects critiques des jeux de données pour l'identification.
Type de document :
Rapport
[Research Report] RR-7524, INRIA. 2011
Liste complète des métadonnées

https://hal.inria.fr/inria-00561999
Contributeur : Sara Berthoumieux <>
Soumis le : mercredi 2 février 2011 - 15:30:16
Dernière modification le : mardi 16 janvier 2018 - 15:45:27
Document(s) archivé(s) le : mardi 3 mai 2011 - 03:19:07

Fichier

RR-7524.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00561999, version 1

Collections

Citation

Sara Berthoumieux, Matteo Brilli, Hidde De Jong, Kahn Daniel, Eugenio Cinquemani. Identification of metabolic network models from incomplete high-throughput datasets. [Research Report] RR-7524, INRIA. 2011. 〈inria-00561999〉

Partager

Métriques

Consultations de la notice

386

Téléchargements de fichiers

160