许多现实世界的系统可以表示为网络，包括生物网络。

网络存在于不同规模的生物系统中，

从生命进化树，生态网络到表达网络和监管网络。

你能说出任何可以表示为网络的其他生物现象吗？

蛋白质或代谢相互作用, 也可以表示为图形或网络。

在生物网络中，节点和边可以代表不同的东西。

节点可以是蛋白质，肽或非蛋白质生物分子。

边可以是任何生物关系，

例如相互作用，规则或变换。

例如，可以在基因，蛋白质和药物之间

构建二分图或三方网络图。

你还记得二分图的定义吗？

已经研究了蛋白质 -蛋白质相互作用网络，

转录调节网络和代谢网络，并且据报道它们的结构特性是相似的。

观察到的属性与复杂网络传统的随机图模型不一致。

它们的度分布遵循幂律的度分布，

基本上富者越富。它们具有较小的平均最短路径长度。

它们非常有弹性，有很强的抵抗力, 随机攻击会失效，但对有针对性攻击很脆弱。

它们具有分层模块性和一些中心节点，

并且正如前面提到的，已经在生物网络中观察到

如果没有它，就不能进行更多的中心节点。

此处显示的图是蛋白质 - 蛋白质相互作用网络或PPI，

并且已使用三种不同的公共数据库构建。

该蛋白质相互作用网络具有超过1,500种蛋白质

和337,000种相互作用。

PPI通常被建模为无向图，其中节点代表蛋白质，

边代表相互作用。

与其它蛋白质相互作用的蛋白质的频率遵循幂律。

PPI网络展现出小世界现象。 可以在少量次数的跳跃中到达任何节点，

通常是四次或五次。

虽然这些网络非常稀疏，但如果不把它们分成小块就很难进行研究。

生物网络是模块化的。 因此，人们可以尝试

找到生物网络的高度聚类子图，以获得它的高水平概观。

这也使我们能够根据其社区预测未知的基因

或蛋白质功能。

在文献中已经提出了多种算法和方法，从简单的k-均值聚类到基于马尔可夫链的模型，

以在复杂网络中找到这些模块和社区。

社区检测的主要挑战之一是社区数量。

大多数这些方法都有一组在运行它们之前需要说明的参数。

更改这些参数的确切值，

会影响检测到的社区或模块的数量。

例如这里显示的是MCL方法找到的PPI网络模块。

已知这里的许多基因属于特定的生物途径。

作为生物网络的另一个例子，我们有一个药物之间相互作用网络。

基于每种药物对一组基因的作用的相似性重建该网络。

这种类型的网络在药物再利用中非常有用。

直接使用统计学或机器学习方法从实验数据

构建生物网络在过去十年中受到了极大的关注。

有多种方法可用于从实验数据推断生物网络。

采用的方法包括：贝叶斯网络，自回归模型，基于相关，

基于互信息的模型，聚类技术或微分方程模型。

这些方法中的大多数使用扰动来验证重建的网络。

这可以通过从系统中去除节点，基因，蛋白质或代谢物

或通过防止特定的相互作用来进行。

生物网络非常复杂和多样化，

因此我们不能仅依靠基于统计的方法来分析它们。 在本课程的其余部分，

您将学习一种研究和探索这种复杂网络的新方法。