基于多生物信息的蛋白質(zhì)網(wǎng)絡(luò)研究.pdf

1、本文通過整合多種類型的生物學(xué)信息，深入研究了動態(tài)蛋白質(zhì)網(wǎng)絡(luò)構(gòu)建、關(guān)鍵蛋白質(zhì)識別和蛋白質(zhì)復(fù)合物預(yù)測等問題。
　　細(xì)胞系統(tǒng)是高度動態(tài)的并能對環(huán)境刺激做出反應(yīng)。細(xì)胞的功能及其對外界刺激的反應(yīng)模式受生物網(wǎng)絡(luò)調(diào)控。具有靜態(tài)連接性的蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)是動態(tài)的，就這層意義而言，蛋白質(zhì)實(shí)現(xiàn)所謂的隨時(shí)間進(jìn)化的功能活動性。從靜態(tài)網(wǎng)絡(luò)分析向動態(tài)轉(zhuǎn)移對進(jìn)一步理解分子系統(tǒng)是重要的。
　　本文通過結(jié)合時(shí)間序列基因表達(dá)譜和蛋白質(zhì)相互作用網(wǎng)絡(luò)，構(gòu)建

2、了時(shí)間過程蛋白質(zhì)相互作用網(wǎng)絡(luò)(TC-PINs)。為了判斷TC-PINs是否成功，如下驗(yàn)證步驟被采用:首先，一個(gè)聚類算法被分別用于從三種網(wǎng)絡(luò)（時(shí)間過程蛋白質(zhì)相互作用網(wǎng)絡(luò)、靜態(tài)蛋白質(zhì)網(wǎng)絡(luò)和偽隨機(jī)網(wǎng)絡(luò)）中識別功能模塊。然后，對來自TC-PINs中的功能模塊，重復(fù)的功能模塊只保留一個(gè)，被大功能模塊包含的小功能模塊被刪除。最后，匹配分析和GO富集分析被執(zhí)行以比較來自不同網(wǎng)絡(luò)的功能模塊。比較分析顯示，與靜態(tài)蛋白質(zhì)相互作用網(wǎng)絡(luò)相比，來自TC-PINs

3、的功能模塊具有更顯著的生物學(xué)意義。
　　關(guān)鍵蛋白質(zhì)對生物在各種條件下的生存至關(guān)重要。有許多實(shí)驗(yàn)和計(jì)算方法用于預(yù)測關(guān)鍵蛋白質(zhì)。因?yàn)榈鞍踪|(zhì)相互作用數(shù)據(jù)存在缺陷，所以基于全局的蛋白質(zhì)相互作用網(wǎng)絡(luò)預(yù)測關(guān)鍵蛋白質(zhì)的計(jì)算方法受到嚴(yán)格的限制。但是，基因表達(dá)譜有助于在一定程度上彌補(bǔ)這種不足。
　　本文整合基因表達(dá)和蛋白質(zhì)相互作用數(shù)據(jù)，提出了一種新的關(guān)鍵蛋白質(zhì)識別方法WDC。皮爾遜相關(guān)系數(shù)(PCC，Pearson Correlation Co

4、efficient)被用于結(jié)合蛋白質(zhì)相互作用網(wǎng)絡(luò)和基因表達(dá)譜?；赑CC和邊聚類系數(shù)(ECC，Edge Clustering Coefficient)，一種新的中心性測度即加權(quán)度中心性(WDC，Weighted Degree Centrality)被提出，以便獲得可靠的關(guān)鍵蛋白質(zhì)預(yù)測結(jié)果。為了評估WDC方法的性能，它被用于從酵母的蛋白質(zhì)相互作用網(wǎng)絡(luò)中預(yù)測關(guān)鍵蛋白質(zhì)。作為比較，其他預(yù)測方法也被用于從酵母的網(wǎng)絡(luò)中預(yù)測關(guān)鍵蛋白質(zhì)。一些評價(jià)方法

5、被用于分析各種預(yù)測方法產(chǎn)生的結(jié)果。本文顯示了所有預(yù)測結(jié)果和比較分析情況。另外，WDC方法中的參數(shù)λ被詳細(xì)分析，然后最佳的λ值被找到?；讦说淖罴阎?，WDC和另一種方法PeC的區(qū)別被討論。這些分析結(jié)果表明WDC勝過當(dāng)前的其他方法。同時(shí)，也意味著整合多源生物數(shù)據(jù)預(yù)測關(guān)鍵蛋白質(zhì)是一種有效的方法。
　　蛋白質(zhì)復(fù)合物是許多生物過程得以實(shí)現(xiàn)的基礎(chǔ)，它們執(zhí)行大量的生物功能。不斷增加的蛋白質(zhì)相互作用數(shù)據(jù)使得通過計(jì)算方法預(yù)測蛋白質(zhì)復(fù)合物成為可能。有

6、許多算法在預(yù)測蛋白質(zhì)復(fù)合物時(shí)，僅僅考慮了蛋白質(zhì)相互作用數(shù)據(jù)，但是，來自高通量生物實(shí)驗(yàn)的蛋白質(zhì)相互作用數(shù)據(jù)不僅具有高的假陽性率，而且還是不完整的。實(shí)際上蛋白質(zhì)相互作用的這種不足大大降低了這些預(yù)測方法的精度。
　　本文提出了一種新的蛋白質(zhì)復(fù)合物預(yù)測方法(CMBI，Clustering basedon Multiple Biological Information)。該方法整合基因表達(dá)譜、關(guān)鍵蛋白質(zhì)信息和蛋白質(zhì)相互作用網(wǎng)絡(luò)三種生物數(shù)據(jù)進(jìn)

7、行蛋白質(zhì)復(fù)合物的預(yù)測。首先，CMBI基于蛋白質(zhì)相互作用網(wǎng)絡(luò)的邊聚類系數(shù)(ECC，Edge ClusteringCoefficient)和基因表達(dá)譜的皮爾遜相關(guān)系數(shù)(PCC，Pearson CorrelationCoefficient)重新定義了兩個(gè)相互作用的蛋白質(zhì)之間的功能相似性(FS，F(xiàn)unctional Similarity)。然后，CMBI選擇已知的關(guān)鍵蛋白質(zhì)作為種子構(gòu)建蛋白質(zhì)復(fù)合物核。在種子擴(kuò)展到核的過程中，種子的關(guān)鍵蛋白質(zhì)鄰居

8、和功能相似性FS大于給定閾值T的鄰居被添加到復(fù)合物核中。復(fù)合物核被構(gòu)造以后，CMBI開始產(chǎn)生蛋白質(zhì)復(fù)合物。復(fù)合物核的鄰居被考查，如果鄰居與復(fù)合物核中蛋白質(zhì)的FS大于給定的閾值T，則該鄰居被添加到復(fù)合物中，用同樣的方法遍歷復(fù)合物核的所有鄰居，生成蛋白質(zhì)復(fù)合物。由于一些種子有相似的鄰接圖，所以從這些鄰接圖中挖掘的復(fù)合物可能有重疊，從而導(dǎo)致較高的冗余。因而，CMBI算法也設(shè)計(jì)了冗余過濾子程序，以將這種冗余控制到合理的程度。另外，除關(guān)鍵蛋白質(zhì)，

9、CMBI也使用非關(guān)鍵蛋白質(zhì)作為種子并將之?dāng)U展為蛋白質(zhì)復(fù)合物。為了檢測CMBI的性能，CMBI預(yù)測的復(fù)合物被用于和其他方法預(yù)測的復(fù)合物進(jìn)行匹配分析和GO功能富集分析。最后CMBI用到的兩個(gè)參數(shù)T和R被詳細(xì)分析。
　　匹配分析和GO分析的結(jié)果顯示CMBI預(yù)測蛋白質(zhì)復(fù)合物的能力明顯超過了現(xiàn)存的蛋白質(zhì)復(fù)合物挖掘方法。這意味著整合不同來源的生物學(xué)數(shù)據(jù)預(yù)測蛋白質(zhì)復(fù)合物的研究是成功的。
　　本文還提出了一種能用于高可信度加權(quán)蛋白質(zhì)網(wǎng)絡(luò)的通