เครือข่ายการแสดงออกร่วมของยีน (GCN)เป็นกราฟแบบไม่มีทิศทางโดยแต่ละโหนดจะสอดคล้องกับยีนและคู่ของโหนดจะเชื่อมต่อกันด้วยขอบหากมี ความสัมพันธ์ การแสดงออกร่วมที่ มีนัยสำคัญ ระหว่างกัน^{[ 1 ]}เมื่อมีข้อมูลโปรไฟล์การแสดงออกของยีนจำนวนหนึ่งสำหรับตัวอย่างหรือเงื่อนไขการทดลองหลายๆ แบบ สามารถสร้างเครือข่ายการแสดงออกร่วมของยีนได้โดยการค้นหาคู่ของยีนที่แสดงรูปแบบการแสดงออกที่คล้ายคลึงกันในตัวอย่างต่างๆ เนื่องจากระดับการถอดรหัสของยีนที่แสดงออกร่วมกันสองตัวจะเพิ่มขึ้นและลดลงพร้อมกันในตัวอย่างต่างๆ เครือข่ายการแสดงออกร่วมของยีนมีความน่าสนใจทางชีววิทยาเนื่องจากยีนที่แสดงออกร่วมกันนั้นถูกควบคุมโดยโปรแกรมควบคุมการถอดรหัสเดียวกัน มีความสัมพันธ์กันในเชิงหน้าที่ หรือเป็นสมาชิกของวิถีหรือโปรตีนคอมเพล็กซ์เดียวกัน^{[ 2 ]}

ทิศทางและประเภทของความสัมพันธ์การแสดงออกร่วมกันไม่ได้ถูกกำหนดไว้ในเครือข่ายการแสดงออกร่วมกันของยีน ในขณะที่ในเครือข่ายควบคุมยีน (GRN)ขอบที่มีทิศทางจะเชื่อมต่อยีนสองตัว ซึ่งแสดงถึงกระบวนการทางชีวเคมี เช่น ปฏิกิริยา การเปลี่ยนแปลง ปฏิสัมพันธ์ การกระตุ้น หรือการยับยั้ง^{[ 3 ]}เมื่อเปรียบเทียบกับ GRN เครือข่ายการแสดงออกร่วมกันของยีน (GCN) ไม่ได้พยายามที่จะอนุมานความสัมพันธ์เชิงสาเหตุระหว่างยีน และใน GCN ขอบจะแสดงถึงความสัมพันธ์แบบสหสัมพันธ์หรือการพึ่งพาอาศัยกันระหว่างยีนเท่านั้น^{[ 4 ]}โมดูลหรือกราฟย่อยที่มีการเชื่อมต่อสูงในเครือข่ายการแสดงออกร่วมกันของยีนสอดคล้องกับกลุ่มของยีนที่มีฟังก์ชันคล้ายกันหรือเกี่ยวข้องกับกระบวนการทางชีววิทยาทั่วไปซึ่งก่อให้เกิดปฏิสัมพันธ์มากมายระหว่างกัน^{[ 3 ]}

โดยทั่วไปแล้วเครือข่ายการแสดงออกร่วมของยีนจะถูกสร้างขึ้นโดยใช้ชุดข้อมูลที่สร้างขึ้นจาก เทคโนโลยี การสร้างโปรไฟล์การแสดงออกของยีน ที่มีปริมาณมาก เช่นไมโครอาร์เรย์หรือRNA-Seqเครือข่ายการแสดงออกร่วมถูกใช้เพื่อวิเคราะห์ข้อมูล RNA-Seq ของเซลล์เดี่ยว เพื่อให้สามารถระบุความสัมพันธ์ระหว่างยีนกับยีนในกลุ่มเซลล์จากเซลล์ประเภทเฉพาะได้ดียิ่งขึ้น^{[ 5 ]}

แนวคิดของเครือข่ายการแสดงออกร่วมของยีนได้รับการแนะนำครั้งแรกโดย Butte และ Kohane ในปี 1999 ในชื่อเครือข่ายความเกี่ยวข้อง [ ^{6 ] พวก}เขารวบรวมข้อมูลการวัดผลการทดสอบทางห้องปฏิบัติการทางการแพทย์ (เช่น ระดับ ฮีโมโกลบิน) สำหรับผู้ป่วยจำนวนหนึ่ง และคำนวณค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สันระหว่างผลลัพธ์ของการทดสอบแต่ละคู่ และคู่ของการทดสอบที่แสดงความสัมพันธ์สูงกว่าระดับที่กำหนดจะถูกเชื่อมต่อในเครือข่าย (เช่น ระดับอินซูลินกับน้ำตาลในเลือด) Butte และ Kohane ใช้แนวทางนี้ในภายหลังโดยใช้ข้อมูลร่วมกันเป็นมาตรวัดการแสดงออกร่วม และใช้ข้อมูลการแสดงออกของยีนเพื่อสร้างเครือข่ายการแสดงออกร่วมของยีนเครือข่ายแรก^{[ 7 ]}

มีการพัฒนาวิธีการมากมายสำหรับการสร้างเครือข่ายการแสดงออกร่วมกันของยีน โดยหลักการแล้ว วิธีการเหล่านี้ล้วนใช้แนวทางสองขั้นตอน คือ การคำนวณค่าการแสดงออกร่วมกัน และการเลือกเกณฑ์ความสำคัญ ในขั้นตอนแรก จะเลือกค่าการแสดงออกร่วมกันและคำนวณคะแนนความคล้ายคลึงกันสำหรับยีนแต่ละคู่โดยใช้ค่านี้ จากนั้นจะกำหนดเกณฑ์ และคู่ยีนที่มีคะแนนความคล้ายคลึงกันสูงกว่าเกณฑ์ที่เลือกไว้จะถือว่ามีความสัมพันธ์การแสดงออกร่วมกันอย่างมีนัยสำคัญและจะเชื่อมต่อกันด้วยเส้นเชื่อมในเครือข่าย

ข้อมูลป้อนเข้าสำหรับการสร้างเครือข่ายการแสดงออกร่วมของยีนมักจะแสดงในรูปของเมทริกซ์ ถ้าเรามีค่าการแสดงออกของยีนmตัวสำหรับ ตัวอย่าง nตัวอย่าง (เงื่อนไข) ข้อมูลป้อนเข้าจะเป็น เมทริกซ์ขนาด m×nเรียกว่าเมทริกซ์การแสดงออก เช่น ในการทดลองไมโครอาร์เรย์ จะมีการวัดค่าการแสดงออกของยีนหลายพันตัวสำหรับตัวอย่างหลายๆ ตัวอย่าง ขั้นตอนแรก จะคำนวณคะแนนความคล้ายคลึง (การวัดการแสดงออกร่วม) ระหว่างแต่ละคู่ของแถวในเมทริกซ์การแสดงออก เมทริกซ์ที่ได้จะเป็น เมทริกซ์ขนาด m×mเรียกว่าเมทริกซ์ความคล้ายคลึง แต่ละองค์ประกอบในเมทริกซ์นี้แสดงให้เห็นว่าระดับการแสดงออกของยีนสองตัวเปลี่ยนแปลงไปในลักษณะที่คล้ายคลึงกันอย่างไร ขั้นตอนที่สอง องค์ประกอบในเมทริกซ์ความคล้ายคลึงที่สูงกว่าเกณฑ์ที่กำหนด (เช่น บ่งชี้ถึงการแสดงออกร่วมที่มีนัยสำคัญ) จะถูกแทนที่ด้วย 1 และองค์ประกอบที่เหลือจะถูกแทนที่ด้วย 0 เมทริกซ์ที่ได้เรียกว่าเมทริกซ์ความประชิดซึ่งแสดงถึงกราฟของเครือข่ายการแสดงออกร่วมของยีนที่สร้างขึ้น ในเมทริกซ์นี้ แต่ละองค์ประกอบแสดงว่ายีนสองตัวเชื่อมต่อกันในเครือข่ายหรือไม่ (องค์ประกอบ 1) หรือไม่ (องค์ประกอบ 0)

ค่าการแสดงออกของยีนในตัวอย่างต่างๆ สามารถแสดงได้ในรูปเวกเตอร์ ดังนั้น การคำนวณค่าการแสดงออกร่วมกันระหว่างยีนคู่หนึ่ง จึงเหมือนกับการคำนวณค่าที่เลือกไว้สำหรับเวกเตอร์ตัวเลขสองเวกเตอร์

สัมประสิทธิ์สหสัมพันธ์ของเพียร์สันข้อมูลร่วมสัมประสิทธิ์สหสัมพันธ์ลำดับของสเปียร์แมนและระยะทางแบบยูคลิดเป็นมาตรวัดการแสดงออกร่วมที่ใช้กันมากที่สุดสี่อย่างสำหรับการสร้างเครือข่ายการแสดงออกร่วมของยีน ระยะทางแบบยูคลิดวัดระยะทางทางเรขาคณิตระหว่างเวกเตอร์สองตัว ดังนั้นจึงพิจารณาทั้งทิศทางและขนาดของเวกเตอร์ค่าการแสดงออกของยีน ข้อมูลร่วมวัดว่าการรู้ระดับการแสดงออกของยีนหนึ่งช่วยลดความไม่แน่นอนเกี่ยวกับระดับการแสดงออกของยีนอื่นได้มากน้อยเพียงใด สัมประสิทธิ์สหสัมพันธ์ของเพียร์สันวัดแนวโน้มของเวกเตอร์สองตัวที่จะเพิ่มขึ้นหรือลดลงพร้อมกัน ซึ่งเป็นการวัดความสอดคล้องกันโดยรวม สัมประสิทธิ์สหสัมพันธ์ลำดับของสเปียร์แมนคือสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันที่คำนวณสำหรับลำดับของค่าการแสดงออกของยีนในเวกเตอร์การแสดงออก ของยีน ^{[ 2 ]}นอกจากนี้ยังมีการใช้ มาตรวัดอื่นๆ อีกหลายอย่าง เช่นสหสัมพันธ์บางส่วน^{[ 8 ]} การถดถอย [ ^{9 ] และการรวมกันของสห สัมพันธ์}บางส่วนและข้อมูลร่วม^{[ 10 ]}

มาตรการแต่ละอย่างมีข้อดีและข้อเสียของตัวเอง ระยะทางแบบยุคลิดไม่เหมาะสมเมื่อระดับสัมบูรณ์ของยีนที่เกี่ยวข้องกับการทำงานแตกต่างกันมาก ยิ่งไปกว่านั้น หากยีนสองตัวมีระดับการแสดงออกต่ำอย่างสม่ำเสมอ แต่มีความสัมพันธ์แบบสุ่ม พวกมันอาจยังคงปรากฏอยู่ใกล้กันในพื้นที่แบบยุคลิด^{[ 2 ]}ข้อดีอย่างหนึ่งของข้อมูลร่วมกันคือสามารถตรวจจับความสัมพันธ์ที่ไม่เป็นเชิงเส้นได้ อย่างไรก็ตาม สิ่งนี้อาจกลายเป็นข้อเสียได้เนื่องจากการตรวจจับความสัมพันธ์ที่ไม่เป็นเชิงเส้นที่ซับซ้อนซึ่งดูไม่มีความหมายทางชีววิทยา นอกจากนี้ ในการคำนวณข้อมูลร่วมกัน จำเป็นต้องประมาณการการกระจายของข้อมูล ซึ่งต้องใช้ตัวอย่างจำนวนมากสำหรับการประมาณที่ดี สัมประสิทธิ์สหสัมพันธ์ลำดับของสเปียร์แมนมีความทนทานต่อค่าผิดปกติมากกว่า แต่ในทางกลับกันก็มีความไวต่อค่าการแสดงออกน้อยกว่า และในชุดข้อมูลที่มีจำนวนตัวอย่างน้อย อาจตรวจพบผลบวกเท็จจำนวนมาก

ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันเป็นมาตรวัดการแสดงออกร่วมกันที่นิยมใช้มากที่สุดในการสร้างเครือข่ายการแสดงออกร่วมกันของยีน ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันมีค่าอยู่ระหว่าง -1 ถึง 1 โดยค่าสัมบูรณ์ที่ใกล้เคียงกับ 1 แสดงถึงความสัมพันธ์ที่แข็งแกร่ง ค่าบวกสอดคล้องกับกลไกการกระตุ้น ซึ่งการแสดงออกของยีนหนึ่งเพิ่มขึ้นเมื่อการแสดงออกของยีนที่แสดงออกร่วมกันเพิ่มขึ้น และในทางกลับกัน เมื่อค่าการแสดงออกของยีนหนึ่งลดลงเมื่อการแสดงออกของยีนที่แสดงออกร่วมกันเพิ่มขึ้น จะสอดคล้องกับกลไกการยับยั้งที่ซ่อนอยู่ และจะมีค่าสหสัมพันธ์เป็นลบ

การวัดค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson มีข้อเสียสองประการคือ สามารถตรวจจับความสัมพันธ์เชิงเส้นได้เท่านั้น และมีความไวต่อค่าผิดปกติ นอกจากนี้ ค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson ยังถือว่าข้อมูลการแสดงออกของยีนเป็นไปตามการกระจายแบบปกติ Song et al. ^{[ 11 ]}ได้แนะนำbiweight midcorrelation (bicor)เป็นทางเลือกที่ดีสำหรับค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson “Bicor เป็นการวัดค่าสัมประสิทธิ์สหสัมพันธ์ตามค่ามัธยฐาน และมีความแข็งแกร่งกว่าค่าสัมประสิทธิ์สหสัมพันธ์ของ Pearson แต่โดยทั่วไปแล้วมีประสิทธิภาพมากกว่าค่าสัมประสิทธิ์สหสัมพันธ์ของ Spearman” ยิ่งไปกว่านั้น มีการแสดงให้เห็นว่า “คู่ยีนส่วนใหญ่เป็นไปตามความสัมพันธ์เชิงเส้นหรือแบบโมโนโทนิก” ซึ่งบ่งชี้ว่า “เครือข่ายข้อมูลร่วมกันสามารถแทนที่ด้วยเครือข่ายสหสัมพันธ์ได้อย่างปลอดภัยเมื่อพูดถึงการวัดความสัมพันธ์การแสดงออกร่วมกันในข้อมูลที่อยู่กับที่^{[ 11 ]} ”

มีการใช้วิธีการหลายวิธีในการเลือกเกณฑ์ในการสร้างเครือข่ายการแสดงออกร่วมของยีน วิธีการกำหนดเกณฑ์แบบง่ายคือการเลือกค่าตัดการแสดงออกร่วมและเลือกความสัมพันธ์ที่การแสดงออกร่วมเกินค่าตัดนี้ อีกวิธีหนึ่งคือการใช้การแปลง Z ของ Fisherซึ่งคำนวณค่า z-scoreสำหรับแต่ละความสัมพันธ์โดยอิงจากจำนวนตัวอย่าง จากนั้นค่า z-score นี้จะถูกแปลงเป็นค่า pสำหรับแต่ละความสัมพันธ์และกำหนดค่าตัดบนค่า p บางวิธีจะสลับข้อมูลและคำนวณค่า z-score โดยใช้การกระจายของความสัมพันธ์ที่พบระหว่างยีนในชุดข้อมูลที่สลับแล้ว^{[ 2 ]}นอกจากนี้ยังมีการใช้วิธีการอื่นๆ เช่น การเลือกเกณฑ์โดยอิงจากสัมประสิทธิ์การจัดกลุ่ม^{[ 12 ]}หรือทฤษฎีเมทริกซ์สุ่ม^{[ 13 ]}

ปัญหาของวิธีการที่ใช้ค่า p-value คือ การกำหนดค่า p-value สุดท้ายนั้นขึ้นอยู่กับวิธีการทางสถิติ (เช่น ค่า p-value 0.01 หรือ 0.05 ถือว่ามีนัยสำคัญ) ไม่ได้ขึ้นอยู่กับความเข้าใจทางชีววิทยา

WGCNA เป็นกรอบการทำงานสำหรับการสร้างและวิเคราะห์เครือข่ายการแสดงออกร่วมของยีนแบบถ่วงน้ำหนัก^{[ 14 ]}วิธี WGCNA เลือกเกณฑ์สำหรับการสร้างเครือข่ายโดยอิงจากโทโพโลยีแบบไร้สเกลของเครือข่ายการแสดงออกร่วมของยีน วิธีนี้สร้างเครือข่ายสำหรับเกณฑ์หลายค่าและเลือกเกณฑ์ที่นำไปสู่เครือข่ายที่มี โทโพโลยี แบบไร้สเกลยิ่งไปกว่านั้น วิธี WGCNA สร้างเครือข่ายแบบถ่วงน้ำหนักซึ่งหมายความว่าขอบที่เป็นไปได้ทั้งหมดปรากฏในเครือข่าย แต่ละขอบจะมีน้ำหนักที่แสดงให้เห็นว่าความสัมพันธ์การแสดงออกร่วมที่สอดคล้องกับขอบนั้นมีความสำคัญมากเพียงใด ที่น่าสังเกตคือ การเลือกเกณฑ์มีจุดประสงค์เพื่อบังคับให้เครือข่ายมีโทโพโลยีแบบไร้สเกล อย่างไรก็ตาม ข้อสมมติฐานพื้นฐานที่ว่าเครือข่ายทางชีววิทยาเป็นแบบไร้สเกลนั้นยังเป็นที่ถกเถียงกันอยู่^{[ 15 ] [ 16 ] [ 17 ]}

lmQCM เป็นทางเลือกแทน WGCNA ที่บรรลุเป้าหมายเดียวกันในการวิเคราะห์เครือข่ายการแสดงออกร่วมของยีนlmQCM [ ^{18 ]}ย่อมาจาก local maximal Quasi-Clique Merger โดยมีเป้าหมายเพื่อใช้ประโยชน์จากโครงสร้างที่มีความหนาแน่นในระดับท้องถิ่นในเครือข่าย จึงสามารถขุดโมดูลที่มีการแสดงออกร่วมที่เล็กกว่าและหนาแน่นกว่าได้โดยอนุญาตให้โมดูลทับซ้อนกัน อัลกอริทึม lmQCM มีแพ็กเกจ R และโมดูล Python (รวมอยู่ใน Biolearns) ขนาดของโมดูลที่ขุดได้โดยทั่วไปที่เล็กกว่ายังสามารถสร้างผลลัพธ์การเสริมคุณค่าทางออนโทโลยีของยีน (GO) ที่มีความหมายมากขึ้น^ได้อีก ด้วย

เครือข่ายการแสดงออกร่วมกันพยายามประมาณความสัมพันธ์โดยตรงและบางครั้งความสัมพันธ์ทางอ้อมระหว่างยีนคู่ต่างๆ อย่างไรก็ตาม ยีนแต่ละตัวอาจถูกควบคุมโดยตัวควบคุมหลายตัว^{[ 19 ]}ประการที่สอง ดังที่ได้กล่าวไว้ในส่วนก่อนหน้า การวัดการแสดงออกร่วมกันแต่ละวิธีได้รับการออกแบบมาโดยเฉพาะเพื่อจับคุณลักษณะเฉพาะที่ไม่จำเป็นต้องเหมาะสมที่สุดสำหรับการแสดงความสัมพันธ์ระหว่างการถอดรหัสยีนทุกประเภท ตัวอย่างเช่น สัมประสิทธิ์สหสัมพันธ์เพียร์สันสำหรับความสัมพันธ์เชิงเส้น สัมประสิทธิ์สหสัมพันธ์สเปียร์แมนสำหรับการจัดอันดับยีน และอื่นๆ ประการที่สามและสุดท้าย การคำนวณเครือข่ายการแสดงออกร่วมกันของยีนต่อยีนสำหรับจีโนมทั้งหมดส่งผลให้ได้เมทริกซ์ขนาดใหญ่มากซึ่งมีสัญญาณรบกวนจำนวนมาก ซึ่งทำให้เกิดความยากลำบากอย่างมากในการสำรวจความแตกต่างระหว่างกลุ่มต่างๆ ความท้าทายเหล่านี้ควรนำมาพิจารณาเมื่อใช้วิธีการขั้นสูงของการแสดงออกร่วมกันกับข้อมูลการแสดงออกของยีน

• การจัดลำดับเซลล์เดี่ยว - เครือข่ายการแสดงออกร่วมของยีนที่สร้างขึ้นโดยใช้ข้อมูล RNA-Seq จำนวนมากถูกนำมาใช้เพื่อเพิ่มอัตราส่วนสัญญาณต่อสัญญาณรบกวนในสถานการณ์เซลล์เดี่ยว เพื่อให้ได้การคาดการณ์ที่ดีขึ้นเกี่ยวกับการมีอยู่ของการกลายพันธุ์เฉพาะในเซลล์เดี่ยว โดยใช้โปรไฟล์การแสดงออกของยีนเป็นตัวแปรอิสระ^{[ 20 ]}
• วิศวกรรมย้อนกลับเครือข่ายยีน - มีวิธีการหลายร้อยวิธีในการอนุมานเครือข่ายควบคุมยีน และหลายสิบวิธีในปัจจุบันนั้นอิงตามการวิเคราะห์การแสดงออกร่วมกัน โดยอาศัยความสัมพันธ์แบบง่าย ข้อมูลร่วมกัน หรือวิธีการแบบเบย์เซียน^{[ 21 ]}
• ชีววิทยาของพืช - การวิเคราะห์การแสดงออกร่วมกันถูกนำมาใช้อย่างกว้างขวางเพื่อค้นหายีนใหม่ที่เกี่ยวข้องกับวิถีทางชีวภาพของพืชโดยเฉพาะ ตัวอย่างหนึ่งคือการสังเคราะห์ผนังเซลล์: การระบุลักษณะของส่วนที่ขาดหายไปในกลไกการเผาผลาญนี้เป็นไปได้โดยการค้นหายีนสังเคราะห์เซลลูโลสใหม่ (CESAs) ซึ่งโปรไฟล์การแสดงออกมีความสัมพันธ์กับสมาชิกวิถีทางชีวภาพที่รู้จักก่อนหน้านี้^{[ 22 ]}

• การวิเคราะห์เครือข่ายความสัมพันธ์แบบถ่วงน้ำหนัก
• เครือข่ายควบคุมยีน
• การอนุมานเครือข่ายชีวภาพ
• เครือข่ายชีวภาพ