Constructing entire genetic regulatory networks is an ambitious goal for understanding and representing living mechanisms of a cell. Although several large scale experiments have tried to infer a lot of relations between genes, most of the results do not represent direct causal relations of genes, such as transcriptional activation or repression, but a set of obscure relations which rely upon the statistical or structural probability of the applied learning algorithms. These obscure relations are believed to have a lot of false positives and hardly interpreted to biological meanings of the target cell. To interpret and extract useful and reliable information from large scale regulatory networks, we developed an automated causal relation screening method for genetic regulatory networks by modeling biologically possible flows of proteins; a viaduct. In the experiment on a Bayesian genetic regulatory network of yeast cell cycle, we have found 821 viaducts by constructing a partial directed graph which consists of protein-protein interaction data and transcription factorinformation of Saccharomyces cerevisiae. Finding and inspecting those viaducts provides a new way to extract uncovered causal relations from large scale genetic regulatory networks and to measure how much the networks are constructed to contain reliable information.
세포 전체에 대한 완전한 유전자 조절 네트워크를 구성하는 것은 세포의 복잡한 생명 기작을 이해하고 또 표현하기 위한 야심찬 목표이다. 현재의 연구들이 유전자 간의 관계를 대규모로 밝혀내기 위해 많은 시도를 해 왔지만, 그들 대부분이 발현 활성화나 억제와 같은 유전자 간의 직접적인 인과 관계를 보여주기 보다는, 학습 방법에 의존하여 통계적 혹은 구조적인 확률 등으로 표현되는 수치적 관계를 제시하고 있다. 이러한 관계들은 많은 false positive를 가지고 있다고 믿어지고 있으며, 대상 세포 내에서 일어나는 생물학적인 의미로서 해석되어지기 힘들다. 대규모 유전자 조절 네트워크를 해석하고 그로부터 유용하고 믿을 수 있는 정보를 추출하기 위하여 이 논문에서는, 세포 내에서 있을 수 있는 단백질 수준의 관계, 일명 viaduct를 모델링하여 유전자 사이의 인과 관계를 추출하는 방법을 제시하고 구현하였다. Yeast 세포 주기 실험 데이터로부터 만들어진 베이지안 네트워크를 이용한 실험에서, 단백질 상호 작용과 전사 정보로 구성된 partial directed graph를 통해 821개의 viaduct를 찾아내었다. 이러한 viaduct를 찾고 분석함으로서, 대규모 유전자 조절 네트워크로부터 거짓의 가능성이 높은 정보를 배제하고 더 작은 규모의 인과 관계 정보를 추출할 수 있으며, 또한 사용된 네트워크가 어느정도 신뢰성 있는 정보를 가지고 있는지 역으로 추정할 수 있다.
