Gene co-expression networks capture biologically important patterns in gene expression data, enabling functional analyses of genes, discovery of biomarkers, and interpretation of genetic variants. Most network analyses to date have been limited to assessing correlation between total gene expression levels in a single tissue or small sets of tissues. Here, we built networks that additionally capture the regulation of relative isoform abundance and splicing, along with tissue-specific connections unique to each of a diverse set of tissues. We used the Genotype-Tissue Expression (GTEx) project v6 RNA sequencing data across 50 tissues and 449 individuals. First, we developed a framework called Transcriptome-Wide Networks (TWNs) for combining total expression and relative isoform levels into a single sparse network, capturing the interplay between the regulation of splicing and transcription. We built TWNs for 16 tissues and found that hubs in these networks were strongly enriched for splicing and RNA binding genes, demonstrating their utility in unraveling regulation of splicing in the human transcriptome. Next, we used a Bayesian biclustering model that identifies network edges unique to a single tissue to reconstruct Tissue-Specific Networks (TSNs) for 26 distinct tissues and 10 groups of related tissues. Finally, we found genetic variants associated with pairs of adjacent nodes in our networks, supporting the estimated network structures and identifying 20 genetic variants with distant regulatory impact on transcription and splicing. Our networks provide an improved understanding of the complex relationships of the human transcriptome across tissues.

基因共表达网络捕获基因表达数据中生物学上重要的模式，从而能够对基因进行功能分析，发现生物标记并解释遗传变异。迄今为止，大多数网络分析仅限于评估单个组织或少量组织中总基因表达水平之间的相关性。在这里，我们建立了网络，这些网络另外捕获了相对异构体丰度和剪接的调控，以及各种不同组织中唯一的组织特异性连接。我们使用了基因型组织表达（GTEx）项目v6 RNA测序数据，涵盖了50个组织和449个个体。首先，我们开发了一个名为Transcriptome-Wide Networks（TWNs）的框架，用于将总表达量和相对同工型水平组合到一个稀疏网络中，捕获剪接和转录调控之间的相互作用。我们为16个组织构建了TWN，发现这些网络中的集线器中的剪接和RNA结合基因高度丰富，证明了它们在揭示人类转录组剪接调控中的效用。接下来，我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。我们为16个组织构建了TWN，发现这些网络中的集线器中的剪接和RNA结合基因高度丰富，证明了它们在揭示人类转录组剪接调控中的效用。接下来，我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可更好地理解人类转录组跨组织的复杂关系。我们为16个组织构建了TWN，发现这些网络中的集线器中的剪接和RNA结合基因高度丰富，证明了它们在揭示人类转录组剪接调控中的效用。接下来，我们使用贝叶斯双聚类模型（Bayesian biclustering model）来识别单个组织所独有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。证明了它们在揭示人类转录组剪接调控中的作用。接下来，我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。证明了它们在揭示人类转录组剪接调控中的作用。接下来，我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20种遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。我们使用贝叶斯双聚类模型来识别单个组织特有的网络边缘，以重建26种不同组织和10组相关组织的组织特定网络（TSN）。最后，我们发现了与网络中的相邻节点对相关的遗传变异，支持了估计的网络结构，并确定了20个遗传变异，它们对转录和剪接产生了远距离的调控影响。我们的网络可以更好地理解人类转录组在组织之间的复杂关系。