Birçok çalışma, yaşa bağlı ekspresyon değişimlerini belirlemek ve yaşa bağlı fonksiyonel bozukluklara katılan olası genleri tespit etmek için beyin yaşlanma ifadesi çalış- mıştır. Ancak, yaşlanma bireylerin çevresine ve genotipine bağlı olarak, birden fazla genin farklı seviyelerde katkıda bulunduğu oldukça karmaşık ve heterojen bir süreçtir. Transkriptom ölçümlerine özgü teknik eğilim ve zayıflıkların yanı sıra yaşlanmanın biyolojik heterojenliği, tek bir veri setinden elde edilen bilgiyi sınırlar. Burada, farklı veri setlerinde paylaşılan, yaşa bağlı gen etkileşimlerinin tekrarlanabilir olarak belirlenmesi için ağ analizi kullanılması gerektiğini ileri sürüyoruz. İnsan beyni transkriptom veri setlerinde yaşlanma ağları oluşturmak için prize-collecting Steiner forest algoritması kullanıyoruz. Algoritma, yaşla birlikte farklı olarak anlatılan genlerin, gen anlatımı-yaş korelasyon katsayılarını ve PPI güven skorlarını göz önüne alarak, bir protein-protein etkileşimi ağı içinde, yaşla ilişkili genler arasındaki optimum etkileşimi hesaplar. Yaşlanma ile ilişkili genlerin doğrudan veya ara nodlar aracılığıyla etkileşime girmesine izin verir. Ara nodlar, düşük ışık yoğunluğu, platformların teknik olarak efektif olmaması veya yaşla ilişkili translasyon sonrası modifikasyonlar gibi mRNA yoğunluğunu değişimini içermeyen yaşlanmayla ilişkili mole- küler değişiklikler nedeniyle transkriptom verilerinde de değişim göstermeyen genleri temsil edebilir. Tahmini ağları kullanarak, farklı dokuların yaşlanma ağlarında ortak etkileşimlerin bulunup bulunmadığını test etmek için yeniden yapılandırılmış ağların ağ uyumluluğunu gerçekleştirdik. Buna ek olarak, yaşlanmada ve Alzheimer Hastalığı'nda moleküler değişiklikleri karşılaştırıyoruz. Ağ hizalaması kullanımının, iki süreç arasında paylaşılan en alakalı gen kümelerine ve yolaklara dikkat çekmeye yardımcı olacağını ileri sürmekteyiz. Multiple studies have investigated aging brain transcriptomes to identify for age-dependent expression changes and determine genes that may participate in age-related dysfunction. However, aging is a highly complex and heterogeneous process where multiple genes contribute at different levels depending on individuals' environments and genotypes. Both this biological heterogeneity of aging, as well as technical biases and weaknesses inherent to transcriptome measurements, limit the information gained from a single data set. Here we propose using network analysis to reproducibly identify aging-related gene interactions shared across different datasets. We employ the prize-collecting Steiner forest algorithm to create aging networks on human brain transcriptome datasets. The algorithm calculates the optimal interaction set among aging-related genes within a protein-protein interaction (PPI) network, taking into consideration expression-age correlation coefficients of the most deferentially expressed genes with age, and the PPI confidence scores. This allows aging-related genes to interact either directly or through intermediate nodes. The intermediate nodes, in turn, can represent genes undetected in transcriptome data due to low light intensity, technical inefficiency of platforms, or aging-related molecular changes that do not involve mRNA abundance change, such as aging-related post-translational modifications. Using the predicted networks, we have performed network alignment of the reconstructed networks to test whether common interactions might be found in different tissues' aging networks. In addition, we also extend the approach to compare molecular changes during aging and in Alzheimer's Disease. We hypothesize that using network alignment will help highlight the most relevant gene clusters and pathways shared between the two processes. 94