जैविक नेटवर्क अनुमान

जैविक नेटवर्क अनुमान जैविक नेटवर्क के बारे में अनुमान लगाने और भविष्यवाणी करने की प्रक्रिया है। जैविक प्रणालियों में पैटर्न का विश्लेषण करने के लिए नेटवर्क का उपयोग करके, जैसे खाद्य-जाल, हम प्रजातियों, डीएनए, प्रोटीन और अन्य के बीच बातचीत की प्रकृति और ताकत की कल्पना कर सकते हैं।

बीमारियों के संबंध में जैविक नेटवर्क के विश्लेषण से नेटवर्क दवा  के क्षेत्र का विकास हुआ है। जीव विज्ञान में नेटवर्क सिद्धांत के अनुप्रयोग के हाल के उदाहरणों में कोशिका चक्र को समझने के अनुप्रयोग शामिल हैं साथ ही विकासात्मक प्रक्रियाओं के लिए एक मात्रात्मक ढांचा। अच्छे नेटवर्क अनुमान के लिए प्रयोग की उचित योजना और निष्पादन की आवश्यकता होती है, जिससे गुणवत्ता डेटा अधिग्रहण सुनिश्चित होता है। सैद्धांतिक रूप से इष्टतम प्रयोगात्मक डिजाइन डेटा अधिग्रहण के लिए योजना बनाने के लिए सांख्यिकीय और या गणितीय अवधारणाओं के उपयोग को संदर्भित करता है। यह इस तरह से किया जाना चाहिए कि डेटा सूचना सामग्री समृद्ध हो, और जहां आवश्यक हो, पर्याप्त तकनीकी और जैविक प्रतिकृति के साथ पर्याप्त मात्रा में डेटा एकत्र किया जाए।

चरण
मॉडलिंग जैविक नेटवर्क का सामान्य चक्र इस प्रकार है:
 * 1) पूर्व ज्ञान
 * 2) * संपूर्ण साहित्य और डेटाबेस खोज या विशेषज्ञ की राय लेना शामिल है।
 * 3) मॉडल चयन
 * 4) * आपके सिस्टम को मॉडल करने के लिए औपचारिकता, आमतौर पर एक सामान्य अंतर समीकरण, बूलियन नेटवर्क, या रैखिक प्रतिगमन मॉडल, उदा। कम से कम कोण प्रतिगमन, बायेसियन नेटवर्क द्वारा या सूचना सिद्धांत दृष्टिकोण के आधार पर। यह एक सहसंबंध-आधारित अनुमान एल्गोरिथ्म के अनुप्रयोग द्वारा भी किया जा सकता है, जैसा कि नीचे चर्चा की जाएगी, एक दृष्टिकोण जो सफलता प्राप्त कर रहा है क्योंकि उपलब्ध माइक्रोएरे सेट का आकार बढ़ता जा रहा है
 * 5) परिकल्पना / धारणाएँ
 * 6) प्रयोगात्मक परिरूप
 * 7) आंकड़ा अधिग्रहण
 * 8) * सुनिश्चित करें कि मापे जा रहे सभी आवश्यक चरों के साथ उच्च गुणवत्ता वाला डेटा एकत्र किया गया है
 * 9) नेटवर्क अनुमान
 * 10) * यह प्रक्रिया गणितीय कठोर और कम्प्यूटेशनल रूप से महंगी है।
 * 11) मॉडल शोधन
 * 12) * क्रॉस चेक करें कि नतीजे उम्मीदों पर कितने खरे उतरे हैं। डेटा के लिए एक अच्छा मॉडल फिट होने पर प्रक्रिया को समाप्त कर दिया जाता है, अन्यथा मॉडल को फिर से समायोजित करने की आवश्यकता होती है।

जैविक नेटवर्क
एक नेटवर्क नोड्स का एक सेट है और नोड्स के बीच निर्देशित या अप्रत्यक्ष किनारों का एक सेट है। कई प्रकार के जैविक नेटवर्क मौजूद हैं, जिनमें ट्रांसक्रिप्शनल, सिग्नलिंग और मेटाबोलिक शामिल हैं। इस तरह के कुछ नेटवर्क अपनी पूरी संरचना के निकट आने वाली किसी भी चीज़ में जाने जाते हैं, यहाँ तक कि सबसे सरल बैक्टीरिया में भी। समय के साथ इस तरह के नेटवर्क के व्यवहार को नियंत्रित करने वाले मापदंडों पर अभी भी कम जाना जाता है, एक सेल में विभिन्न स्तरों पर नेटवर्क कैसे बातचीत करते हैं, और भविष्य में किसी बिंदु पर यूकेरियोट सेल या जीवाणु जीव के पूर्ण राज्य विवरण की भविष्यवाणी कैसे करें। सिस्टम बायोलॉजी, इस अर्थ में, अभी भी अपनी प्रारंभिक अवस्था में है।

मॉडलिंग जैविक प्रणालियों के लिए नेटवर्क मेडिसिन में बहुत रुचि है। यह लेख जीन, प्रोटीन और चयापचय के लिए उच्च-थ्रूपुट अभिव्यक्ति डेटा के बढ़ते सेटों का उपयोग करके जैविक नेटवर्क संरचना के अनुमान पर केंद्रित है। संक्षेप में, विनियामक नेटवर्क के अनुमान के लिए उच्च-थ्रूपुट डेटा का उपयोग करने वाली विधियाँ आंशिक सहसंबंध या सशर्त संभावनाओं के पैटर्न की खोज पर निर्भर करती हैं जो कारण प्रभाव का संकेत देती हैं। उच्च-थ्रूपुट डेटा में पाए जाने वाले आंशिक सहसंबंधों के ऐसे पैटर्न, संभवतः प्रस्तावित नेटवर्क में जीन या प्रोटीन पर अन्य पूरक डेटा के साथ संयुक्त, या जीव पर अन्य जानकारी के साथ संयुक्त, आधार बनाते हैं जिस पर ऐसे कलन विधि काम करते हैं। ऐसे एल्गोरिदम किसी भी नेटवर्क की टोपोलॉजी का अनुमान लगाने में उपयोगी हो सकते हैं जहां एक नोड (नेटवर्किंग) की स्थिति में परिवर्तन अन्य नोड्स की स्थिति को प्रभावित कर सकता है।

ट्रांसक्रिप्शनल नियामक नेटवर्क
जीन नोड हैं और किनारों को निर्देशित किया जाता है। एक जीन एक आरएनए या प्रोटीन अणु का उत्पादन करके लक्ष्य जीन के प्रत्यक्ष नियामक बढ़त के स्रोत के रूप में कार्य करता है जो एक ट्रांसक्रिप्शनल एक्टिवेटर या लक्ष्य जीन के अवरोधक के रूप में कार्य करता है। यदि जीन एक सक्रियकर्ता है, तो यह सकारात्मक नियामक कनेक्शन का स्रोत है; यदि एक अवरोधक है, तो यह एक नकारात्मक विनियामक कनेक्शन का स्रोत है। कम्प्यूटेशनल एल्गोरिदम नेटवर्क में शामिल करने के लिए विचाराधीन जीन के mRNA अभिव्यक्ति स्तरों के प्राथमिक इनपुट डेटा माप के रूप में लेते हैं, नेटवर्क टोपोलॉजी का एक अनुमान लौटाते हैं। ऐसे एल्गोरिदम आमतौर पर रैखिकता, स्वतंत्रता या सामान्यता मान्यताओं पर आधारित होते हैं, जिन्हें केस-बाय-केस आधार पर सत्यापित किया जाना चाहिए। क्लस्टरिंग या कुछ प्रकार के सांख्यिकीय वर्गीकरण को आमतौर पर माइक्रोएरे प्रयोगों से प्राप्त उच्च-थ्रूपुट एमआरएनए अभिव्यक्ति मूल्यों के प्रारंभिक संगठन को करने के लिए नियोजित किया जाता है, विशेष रूप से नेटवर्क नोड्स के उम्मीदवारों के रूप में जीन के सेट का चयन करने के लिए। फिर सवाल उठता है: क्लस्टरिंग या वर्गीकरण के परिणाम अंतर्निहित जीव विज्ञान से कैसे जुड़े हो सकते हैं? इस तरह के परिणाम पैटर्न वर्गीकरण के लिए उपयोगी हो सकते हैं - उदाहरण के लिए, कैंसर के उपप्रकारों को वर्गीकृत करने के लिए, या किसी दवा (फार्माकोजेनोमिक्स) के लिए विभेदक प्रतिक्रियाओं की भविष्यवाणी करने के लिए। लेकिन जीन के बीच संबंधों को समझने के लिए, अर्थात्, प्रत्येक जीन के दूसरों पर प्रभाव को अधिक सटीक रूप से परिभाषित करने के लिए, वैज्ञानिक आमतौर पर ट्रांसक्रिप्शनल नियामक नेटवर्क का पुनर्निर्माण करने का प्रयास करते हैं।

जीन सह-अभिव्यक्ति नेटवर्क
एक जीन सह-अभिव्यक्ति नेटवर्क एक ग्राफ (असतत गणित) # अप्रत्यक्ष ग्राफ है, जहां प्रत्येक नोड एक जीन से मेल खाता है, और एक महत्वपूर्ण जीन अभिव्यक्ति होने पर नोड्स की एक जोड़ी किनारे से जुड़ी होती है। उनके बीच सह-अभिव्यक्ति संबंध।

सिग्नल ट्रांसडक्शन
सिग्नल ट्रांसडक्शन नेटवर्क नोड्स और निर्देशित किनारों के लिए प्रोटीन का उपयोग बातचीत का प्रतिनिधित्व करने के लिए करते हैं जिसमें माता-पिता की कार्रवाई द्वारा बच्चे की जैव रासायनिक संरचना को संशोधित किया जाता है (उदाहरण के लिए फास्फारिलीकरण, सर्वव्यापकता, मिथाइलेशन, आदि द्वारा मध्यस्थता)। निष्कर्ष एल्गोरिथम में प्राथमिक इनपुट प्रोटीन के एक सेट में प्रोटीन सक्रियण/निष्क्रियता (जैसे, फास्फोरिलीकरण/डीफॉस्फोराइलेशन) को मापने वाले प्रयोगों के एक सेट से डेटा होगा। इस तरह के सिग्नलिंग नेटवर्क के लिए अनुमान इस तथ्य से जटिल है कि ट्रांसक्रिप्शनल और ट्रांसलेशनल विनियमन के कारण समय के साथ सिग्नलिंग प्रोटीन की कुल सांद्रता में उतार-चढ़ाव होगा। इस तरह की भिन्नता से सांख्यिकीय भ्रम पैदा हो सकता है। तदनुसार, ऐसे डेटासेट का विश्लेषण करने के लिए अधिक परिष्कृत सांख्यिकीय तकनीकों को लागू किया जाना चाहिए। (कैंसर के जीव विज्ञान में बहुत महत्वपूर्ण)

मेटाबोलिक नेटवर्क
मेटाबोलाइट नेटवर्क रासायनिक प्रतिक्रियाओं का प्रतिनिधित्व करने के लिए नोड्स का उपयोग करते हैं और इन प्रतिक्रियाओं को निर्देशित करने वाले चयापचय मार्गों और नियामक इंटरैक्शन के लिए किनारों को निर्देशित करते हैं। एल्गोरिथ्म में प्राथमिक इनपुट मेटाबोलाइट स्तरों को मापने वाले प्रयोगों के एक सेट से डेटा होगा।

प्रोटीन-प्रोटीन इंटरैक्शन नेटवर्क
जीव विज्ञान में सबसे गहन अध्ययन किए गए नेटवर्क में से एक, प्रोटीन-प्रोटीन इंटरेक्शन नेटवर्क (पिन) एक कोशिका के अंदर प्रोटीन के बीच शारीरिक संबंधों की कल्पना करते हैं। एक पिन में, प्रोटीन नोड होते हैं और उनकी अंतःक्रियाएं अप्रत्यक्ष किनारे होती हैं। पिन सहित विभिन्न तरीकों से खोजा जा सकता है; दो-हाइब्रिड स्क्रीनिंग | टू-हाइब्रिड स्क्रीनिंग, इन विट्रो: को-इम्युनोप्रेवेरेशन, नीला देशी जेल वैद्युतकणसंचलन, और अधिक।

न्यूरॉनल नेटवर्क
एक न्यूरोनल नेटवर्क प्रत्येक नोड के साथ न्यूरॉन्स का प्रतिनिधित्व करने के लिए बना होता है और किनारों के लिए सिनैप्स होता है, जो आमतौर पर भारित और निर्देशित होते हैं। किनारों के वजन को आमतौर पर कनेक्टेड नोड्स के सक्रियण द्वारा समायोजित किया जाता है। नेटवर्क आमतौर पर इनपुट लेयर्स, हिडन लेयर्स और आउटपुट लेयर्स में व्यवस्थित होता है।

खाद्य जाले
एक खाद्य वेब एक पारिस्थितिक तंत्र में क्या खाता है इसका एक परस्पर दिशात्मक ग्राफ है। पारिस्थितिक तंत्र के सदस्य नोड होते हैं और यदि एक सदस्य दूसरे सदस्य को खाता है तो उन 2 नोड्स के बीच एक निर्देशित किनारा होता है।

प्रजातियों के भीतर और प्रजातियों के बीच संपर्क नेटवर्क
इन नेटवर्कों को एक प्रजाति के बीच और भीतर जोड़ीदार अंतःक्रियाओं के एक सेट द्वारा परिभाषित किया जाता है जिसका उपयोग बड़े पारिस्थितिक नेटवर्क की संरचना और कार्य को समझने के लिए किया जाता है। सोशल नेटवर्क विश्लेषण का उपयोग करके हम खोज सकते हैं और समझ सकते हैं कि ये इंटरैक्शन सिस्टम के नेटवर्क के भीतर एक साथ कैसे जुड़ते हैं। यह हमें व्यक्तियों के बीच संबंधों की मात्रा निर्धारित करने की भी अनुमति देता है, जिससे प्रजातियों और/या जनसंख्या स्तर पर संपूर्ण नेटवर्क के बारे में विवरण प्राप्त करना संभव हो जाता है।

डीएनए-डीएनए क्रोमैटिन नेटवर्क
डीएनए-डीएनए क्रोमेटिन नेटवर्क का उपयोग क्रोमैटिन के स्ट्रैंड्स के सापेक्ष स्थान के माध्यम से जीन की सक्रियता या दमन को स्पष्ट करने के लिए किया जाता है। इन अंतःक्रियाओं को विभिन्न लोकस (आनुवांशिकी) के बीच समानताओं का विश्लेषण करके समझा जा सकता है, एक गुणसूत्र पर एक निश्चित स्थिति जहां एक विशेष जीन या आनुवंशिक मार्कर स्थित होता है। नेटवर्क विश्लेषण जीनोम के विभिन्न क्षेत्रों के बीच संबंधों को समझने में महत्वपूर्ण सहायता प्रदान कर सकता है।

जीन नियामक नेटवर्क
एक जीन नियामक नेटवर्क आणविक नियामकों का एक समूह है जो एक दूसरे के साथ और सेल में अन्य पदार्थों के साथ बातचीत करता है। नियामक डीएनए, आरएनए, प्रोटीन और इनके परिसर हो सकते हैं। जीन विनियामक नेटवर्क सहित कई तरीकों से मॉडलिंग की जा सकती है; युग्मित साधारण अंतर समीकरण, बूलियन नेटवर्क, सतत नेटवर्क और स्टोचैस्टिक जीन नेटवर्क।

डेटा स्रोत
अनुमान लगाने के लिए उपयोग किए जाने वाले प्रारंभिक डेटा का अंतिम अनुमान की सटीकता पर भारी प्रभाव पड़ सकता है। नेटवर्क डेटा स्वाभाविक रूप से शोर और अधूरा होता है, कभी-कभी कई स्रोतों से साक्ष्य के कारण जो ओवरलैप या विरोधाभासी डेटा नहीं होते हैं। डिजिटल युग से पहले के पुराने विद्वानों के लेखों के डाटाबेस, उच्च-थ्रूपुट डेटासेट, कम्प्यूटेशनल भविष्यवाणियों और टेक्स्ट माइनिंग में डाले गए वैज्ञानिक साहित्य के मैन्युअल क्यूरेशन को शामिल करने के लिए डेटा को कई तरीकों से प्राप्त किया जा सकता है।

नेटवर्क व्यास
एक नेटवर्क का व्यास किसी भी दो नोड्स को अलग करने वाले चरणों की अधिकतम संख्या है और इसका उपयोग यह निर्धारित करने के लिए किया जा सकता है कि टोपोलॉजी विश्लेषण और क्लस्टरिंग विश्लेषण में ग्राफ कैसे जुड़ा हुआ है।

सकरात्मकता
एक नेटवर्क की ट्रांज़िटिविटी या क्लस्टरिंग गुणांक एक साथ क्लस्टर करने के लिए नोड्स की प्रवृत्ति का एक उपाय है। उच्च ट्रांज़िटिविटी का अर्थ है कि नेटवर्क में समुदायों या नोड्स के समूह होते हैं जो आंतरिक रूप से सघन रूप से जुड़े होते हैं। जैविक नेटवर्क में, इन समुदायों को खोजना बहुत महत्वपूर्ण है, क्योंकि वे कार्यात्मक मॉड्यूल और प्रोटीन परिसरों को प्रतिबिंबित कर सकते हैं कनेक्टिविटी के बारे में अनिश्चितता परिणामों को विकृत कर सकती है और अनुमानित नेटवर्क के लिए ट्रांज़िटिविटी और अन्य टोपोलॉजिकल डिस्क्रिप्टर की गणना करते समय इसे ध्यान में रखा जाना चाहिए।

नेटवर्क विश्वास
नेटवर्क विश्वास यह मापने का एक तरीका है कि कोई कितना सुनिश्चित हो सकता है कि नेटवर्क एक वास्तविक जैविक संपर्क का प्रतिनिधित्व करता है। हम इसे प्रासंगिक जैविक जानकारी के माध्यम से कर सकते हैं, साहित्य में एक बातचीत की रिपोर्ट की संख्या की संख्या की गणना कर सकते हैं, या अलग-अलग रणनीतियों को एक ही स्कोर में समूहित कर सकते हैं। Measuring-Confidence/ MIscore प्रोटीन-प्रोटीन इंटरैक्शन डेटा की विश्वसनीयता का आकलन करने के लिए विधि मानकों के उपयोग पर आधारित है। MIscore प्रोटीन की एक परस्पर क्रिया करने वाली जोड़ी के लिए सभी उपलब्ध साक्ष्यों पर विश्वास भार का अनुमान देता है। विधि विभिन्न स्रोतों द्वारा प्रदान किए गए साक्ष्य के भार की अनुमति देती है, बशर्ते डेटा IMEx कंसोर्टियम द्वारा बनाए गए मानकों का पालन करते हुए प्रस्तुत किया गया हो। वजन प्रकाशनों की संख्या, पता लगाने की विधि, सहभागिता साक्ष्य प्रकार हैं।

निकटता
क्लोजनेस, उर्फ ​​क्लोजनेस सेंट्रलिटी, एक नेटवर्क में केंद्रीयता का एक उपाय है और इसकी गणना ग्राफ में नोड और अन्य सभी नोड्स के बीच सबसे छोटे रास्तों की लंबाई के योग के रूप में की जाती है। इस उपाय का उपयोग सभी ग्राफ प्रकारों और विश्लेषण विधियों में अनुमान लगाने के लिए किया जा सकता है।

बीच
बिटवीनेस, उर्फ ​​बिटनेस सेंट्रलिटी, सबसे छोटे रास्तों पर आधारित ग्राफ में केंद्रीयता का माप है। प्रत्येक नोड के लिए बीच इन सबसे छोटे रास्तों की संख्या है जो नोड से होकर गुजरते हैं।

नेटवर्क विश्लेषण के तरीके
हमारे उद्देश्यों के लिए, नेटवर्क विश्लेषण ग्राफ़ सिद्धांत से निकटता से संबंधित है। पिछले अनुभाग में विशेषताओं को मापकर हम जैविक डेटा के आधार पर सटीक अनुमान बनाने के लिए कई अलग-अलग तकनीकों का उपयोग कर सकते हैं।

टोपोलॉजी विश्लेषण
टोपोलॉजी विश्लेषण एक नेटवर्क की टोपोलॉजी का विश्लेषण करता है ताकि प्रासंगिक प्रतिभागियों और उप-संरचनाओं की पहचान की जा सके जो जैविक महत्व के हो सकते हैं। इस शब्द में तकनीकों की एक पूरी श्रेणी शामिल है जैसे कि नेटवर्क मूल भाव  सर्च, सेंट्रलिटी एनालिसिस, टोपोलॉजिकल क्लस्टरिंग और शॉर्टेस्ट पाथ। ये कुछ उदाहरण हैं, इनमें से प्रत्येक तकनीक अनुमान लगाने के लिए नेटवर्क की टोपोलॉजी पर ध्यान केंद्रित करने के सामान्य विचार का उपयोग करती है।

नेटवर्क आकृति खोज
एक मोटिफ को लगातार और अद्वितीय उप-ग्राफ के रूप में परिभाषित किया जाता है। सभी संभावित उदाहरणों की गणना करके, सभी पैटर्नों को सूचीबद्ध करके, और समरूपता का परीक्षण करके हम एक नेटवर्क के बारे में महत्वपूर्ण जानकारी प्राप्त कर सकते हैं। उन्हें बुनियादी बिल्डिंग ब्लॉक जटिल जैविक नेटवर्क होने का सुझाव दिया गया है। कम्प्यूटेशनल शोध ने जैविक जांचों की सहायता के लिए मौजूदा प्रारूप पहचान उपकरणों में सुधार करने और बड़े नेटवर्कों का विश्लेषण करने की अनुमति देने पर ध्यान केंद्रित किया है। अब तक कई अलग-अलग एल्गोरिदम प्रदान किए गए हैं, जिन्हें अगले भाग में विस्तृत किया गया है।

केंद्रीयता विश्लेषण
सेंट्रलिटी इस बात का अनुमान लगाती है कि नेटवर्क की कनेक्टिविटी या सूचना प्रवाह के लिए नोड या किनारा कितना महत्वपूर्ण है। यह सिग्नलिंग नेटवर्क में एक उपयोगी पैरामीटर है और इसका उपयोग अक्सर दवा लक्ष्य खोजने की कोशिश करते समय किया जाता है। यह महत्वपूर्ण प्रोटीन और उनके कार्यों को निर्धारित करने के लिए पिन में सबसे अधिक उपयोग किया जाता है। केंद्रीयता को ग्राफ़ और उस प्रश्न के आधार पर अलग-अलग तरीकों से मापा जा सकता है जिसका उत्तर देने की आवश्यकता है, उनमें नोड्स की डिग्री या नोड से जुड़े किनारों की संख्या, वैश्विक केंद्रीयता उपाय, या रैंडम वॉक के माध्यम से शामिल हैं जो पृष्ठ रैंक  एल्गोरिथम द्वारा उपयोग किया जाता है प्रत्येक वेबपेज को वजन दें। माप और अन्य कारणों पर शोर के कारण त्रुटियों से केंद्रीयता के उपाय प्रभावित हो सकते हैं। इसलिए, टोपोलॉजिकल डिस्क्रिप्टर को यादृच्छिक चर के रूप में परिभाषित किया जाना चाहिए, जो संबंधित संभावना वितरण के साथ उनके मूल्य पर अनिश्चितता को कूटबद्ध करता है।

टोपोलॉजिकल क्लस्टरिंग
टोपोलॉजिकल क्लस्टरिंग या सामयिक डेटा विश्लेषण (TDA) उच्च आयामी, अपूर्ण और शोर डेटा का विश्लेषण करने के लिए एक सामान्य ढांचा प्रदान करता है जो आयामी को कम करता है और शोर को मजबूती देता है। विचार यह है कि डेटा सेट के आकार में प्रासंगिक जानकारी होती है। जब यह जानकारी एक होमोलॉजी (गणित) समूह है, तो एक गणितीय व्याख्या होती है जो मानती है कि पैरामीटर की एक विस्तृत श्रृंखला के लिए बनी रहने वाली विशेषताएं वास्तविक विशेषताएं हैं और पैरामीटर की केवल एक संकीर्ण सीमा के लिए बनी रहने वाली विशेषताएं शोर हैं, हालांकि इसके लिए सैद्धांतिक औचित्य है अस्पष्ट। इस तकनीक का उपयोग रोग के प्रगति विश्लेषण के लिए किया गया है, वायरल विकास, नेटवर्क पर छूत का प्रसार, आण्विक स्पेक्ट्रोस्कोपी का उपयोग कर बैक्टीरिया वर्गीकरण, और जीव विज्ञान के अंदर और बाहर भी बहुत कुछ।

सबसे छोटा रास्ता
सबसे छोटी पथ समस्या ग्राफ़ सिद्धांत में एक आम समस्या है जो एक ग्राफ़ में दो वर्टेक्स (ग्राफ़ सिद्धांत) (या नोड्स) के बीच पथ (ग्राफ़ सिद्धांत) को खोजने का प्रयास करती है जैसे कि ग्राफ़ सिद्धांत शब्दों की शब्दावली का योग # भारित ग्राफ़ का इसके घटक किनारों को कम किया जाता है। इस पद्धति का उपयोग नेटवर्क व्यास या नेटवर्क में अतिरेक को निर्धारित करने के लिए किया जा सकता है। इसके लिए कई एल्गोरिदम हैं जिनमें दिक्जस्ट्रा का एल्गोरिदम, बेलमैन-फोर्ड एल्गोरिदम और फ्लॉयड-वॉर्शल एल्गोरिदम शामिल हैं।

क्लस्टरिंग विश्लेषण
क्लस्टर विश्लेषण समूह ऑब्जेक्ट्स (नोड्स) जैसे कि एक ही क्लस्टर में ऑब्जेक्ट अन्य क्लस्टर्स की तुलना में एक दूसरे के समान हैं। इसका उपयोग पैटर्न पहचान, छवि विश्लेषण, सूचना पुनर्प्राप्ति, सांख्यिकी डेटा विश्लेषण और बहुत कुछ करने के लिए किया जा सकता है। इसमें पौधे और पशु पारिस्थितिकी, अनुक्रम विश्लेषण, रोगाणुरोधी गतिविधि विश्लेषण और कई अन्य क्षेत्रों में अनुप्रयोग हैं। : श्रेणी: क्लस्टर विश्लेषण एल्गोरिदम कई रूपों में आते हैं जैसे कि श्रेणीबद्ध क्लस्टरिंग, k-मतलब क्लस्टरिंग, वितरण-आधारित क्लस्टरिंग, घनत्व-आधारित क्लस्टरिंग और ग्रिड-आधारित क्लस्टरिंग।

एनोटेशन संवर्धन विश्लेषण
जीन एनोटेशन डेटाबेस आमतौर पर प्रयोगात्मक रूप से व्युत्पन्न जीन सेटों के कार्यात्मक गुणों का मूल्यांकन करने के लिए उपयोग किया जाता है। एनोटेशन एनरिचमेंट एनालिसिस (AEA) का उपयोग इन संघों का आकलन करने के लिए उपयोग किए जाने वाले ओवरलैप सांख्यिकीय तरीकों से पूर्वाग्रहों को दूर करने के लिए किया जाता है। यह जीन/प्रोटीन एनोटेशन का उपयोग करके यह पता लगाने के लिए करता है कि कौन से एनोटेशन एक नेटवर्क से लिए गए जीन/प्रोटीन की सूची में अधिक प्रतिनिधित्व करते हैं।

यह भी देखें

 * साइटोस्केप टूल
 * बायेसियन प्रायिकता
 * नेटवर्क दवा