Decomposition of biological 

networks
t k
Alice Hubenko and Igor Mezić
 Outline of the talk

Network topology  and regulation

Giant Strong Component

Parametric sensitivity analysis can be used 
Parametric sensitivity analysis can be used
to identify dominating forward‐feedback structure of 
the Giant Strong Component
 Modeling a biological network

Each concentration is a state in the 
dynamical system
Elementary reaction

reaction rate constant
i

HVD decomposition
d
HVD decomposition  reveals the crude 
structure of  "influence" in the network

Does not need the exact form of equations!

[1] I. Mezić, Coupled Nonlinear Dynamical Systems: Asymptotic Behavior and Uncertainty Propagation, 43rd IEEE Conference on Decision and 
Control December 14‐17,(2004).
 HVD decomposition for biological networks

1. Identify Strong Components (SCs) of graph G.

2. Make the graph of strong components SC(G). Vertices of SC(G) 
correspond to strong components. 

3. Place vertices of SC(G) with no out‐edges  in the top level.

4. To form the next level: cut all the vertices  that have been assigned to 
some level from SC(G) and find the vertices with no out‐edges in the 
resulting  graph.    
 Problem: giant strong component

The dynamics  of  each component can only be affected by the ones below it

•Problem: Giant strong component

Cutting hubs reduces the size of the network, 
Cutting hubs reduces the size of the network
but may can alter dynamical properties

[2] H. Ma and A. Zeng, Reconstruction of metabolic networks from genome data and analysis of their global structure for various organisms, Bioinformatics, 2003
[3] S. Schuster et al., Exploring the pathway structure of metabolism: Decomposition into subnetworks and application to Mycoplasma pneumoniae, Bioinformatics,18, 
2002
 Decomposition of NFkB network

Identifying 
Minimal Production Unit

Dynamical system with 15 states  
and 29 parameters

HVD decomposition obtained by cycle 
search: a rather complicated procedure

[3] Y. Lan, I. Mezić, On the architecure of cell regulation networks , BMC systems biology
 Parametric sensitivity analysis
Modeling a biological network

Sensitivity 
Parameters =reaction rate constants coefficient

steady state

Absolute value of sensitivity coefficient
Step function perturbation

parametters

NFkB network time

 Parametric sensitivity analysis
Modeling a biological network

Sensitivity metrics
y
sensitivvity metricss

sensitivity metrics

parameters parameters
 Finding the forward structure

Sensitivity metrics

Parameters that affect

Parameters that affect            within short time interval: 
within short time interval:

States affected b these parameters

States affected by these parameters:

States in forward part obtained by using sensitivity 
metrics are identical to reduction obtained by 
removing feedbacks using cycle search in [3]  
i f db k i l h i [3]
 Finding the dominating feedbacks

P
Parameters that affect
t th t ff t within long time interval
ithi l ti i t l

R lti d i ti f db k
Resulting dominating feedbacks:
 Conclusions

•Based on the idea that the forward part of the complex biological network is 
activates before the feedbacks take effect, we used parametric sensitivity analysis 
to identify the forward part of the network   

•Parametric sensitivity analysis is a promising tool in finding dominant parts of 
complex biological networks
complex biological networks 

Thank you!