条件特异性网络、差异网络与网络重连

数据库中的 PPI 或调控网络是把不同细胞、不同时间、不同条件下测到的边“叠加”起来的静态并集。然而在任何一个细胞中，只有被表达的蛋白之间的相互作用可能发生，调控关系也随信号和细胞状态而开关。差异网络生物学（differential network biology; Ideker & Krogan, 2012, Molecular Systems Biology）主张直接比较不同条件下的网络，把“哪些边改变了”作为研究对象，而不仅仅是“哪些节点的表达改变了”。

情境特异性网络的来源

1. 用表达数据过滤参考网络：只保留在某组织中两端蛋白都表达的边。Bossi & Lehner（2009, Molecular Systems Biology）发现，只在少数细胞类型中表达的蛋白相互作用较少，但它们多与广泛表达的蛋白结合；而大多数“管家”蛋白都有组织特异的相互作用。
2. 数据驱动的组织特异功能网络：Greene 等（2015, Nature Genetics）用贝叶斯方法整合数千个实验，构建了 144 种人类组织和细胞类型的全基因组功能相互作用网络（GIANT），并提出 NetWAS：结合名义显著的 GWAS 结果与组织特异网络，比单独 GWAS 更准确地识别疾病基因。
3. 直接在不同细胞中测量：BioPlex 3.0 在两种细胞系中分别构建网络，发现共享的相互作用集中在核心复合物中，细胞特异的相互作用则连接这些复合物，“重连”了各自细胞的子网络（Huttlin 等, 2021）。
4. 条件特异的遗传相互作用：Bandyopadhyay 等（2010, Science）用“差异上位性图谱”比较 DNA 损伤前后酵母激酶、磷酸酶与转录因子之间的遗传相互作用，发现广泛的重连：差异相互作用揭示了静态条件下检测不到的基因功能，蛋白复合物本身大体稳定，但复合物之间的功能关系被大幅重组。

差异共表达：检验一条边是否改变

最常见的差异网络分析是比较两组样本中基因对的相关系数。对相关系数做 Fisher $z$ 变换 $z=\operatorname{atanh}(r)=\tfrac12\ln\frac{1+r}{1-r}$，在二元正态假设下 $z$ 近似服从正态分布，方差约为 $1/(n-3)$。于是两组之间的差异检验统计量为

$$Z_{ij}=\frac{\operatorname{atanh}r_{ij}^{A}-\operatorname{atanh}r_{ij}^{B}}{\sqrt{\dfrac{1}{n_A-3}+\dfrac{1}{n_B-3}}} .$$

算例：条件 A 中 $r=0.8$，条件 B 中 $r=0.2$，各 50 个样本。$\operatorname{atanh}0.8=1.099$，$\operatorname{atanh}0.2=0.203$，标准误 $\sqrt{2/47}=0.206$，$Z=0.896/0.206\approx4.34$，双侧 $p\approx1.4\times10^{-5}$。但若对 2 万个基因的全部约 $2\times10^8$ 个基因对做检验，Bonferroni 阈值约为 $2.5\times10^{-10}$，这条边就不再显著——差异网络分析的统计功效问题远比差异表达严重。实践中常先限定基因集（如某通路或某模块），用 BH 法控制错误发现率，并用置换条件标签的方法得到经验 $p$ 值（代码见差异共表达）。

在边的层面之上，还可以汇总到节点和模块：一个基因的重连度可定义为其所有边相关系数变化的绝对值之和，或差异显著的边数；模块层面可比较模块内平均相关（“模块凝聚度”）在两组间的差异。de la Fuente（2010, Trends in Genetics）综述了从“差异表达”到“差异网络”的方法学，并强调差异共表达可以找出表达均值未变、但调控关系已经失常的基因。