Predicting essential proteins is hi

Predicting essential proteins is highly significant because organisms can not survive or develop even if
only one of these proteins is missing. Improvements in high-throughput technologies have resulted in a
large number of available protein–protein interactions. By taking advantage of these interaction data,
researchers have proposed many computational methods to identify essential proteins at the network
level. Most of these approaches focus on the topology of a static protein interaction network. However,
the protein interaction network changes with time and condition. This important inherent dynamics of
the protein interaction network is overlooked by previous methods. In this paper, we introduce a new
method named CDLC to predict essential proteins by integrating dynamic local average connectivity and
in-degree of proteins in complexes. CDLC is applied to the protein interaction network of Saccharomyces
cerevisiae. The results show that CDLC outperforms five other methods (Degree Centrality (DC), Local
Average Connectivity-based method (LAC), Sum of ECC (SoECC), PeC and Co-Expression Weighted by
Clustering coefficient (CoEWC)). In particular, CDLC could improve the prediction precision by more than
45% compared with DC methods. CDLC is also compared with the latest algorithm CEPPK, and a higher
precision is achieved by CDLC. CDLC is available as Supplementary materials. The default settings of
active threshold and alpha-parameter are 0.8 and 0.1, respectively.

ผลลัพธ์ (ไทย) 1:

คาดการณ์จำเป็นโปรตีนมีความสำคัญมากเนื่องจากสิ่งมีชีวิตไม่สามารถอยู่รอด หรือพัฒนาได้เดียวของโปรตีนเหล่านี้จะหายไป ปรับปรุงในอัตราความเร็วสูงเทคโนโลยีทำให้การจำนวนมากของการโต้ตอบมีโปรตีน – โปรตีน โดยใช้ประโยชน์จากข้อมูลเหล่านี้โต้ตอบนักวิจัยได้เสนอวิธีการคำนวณหลายระบุโปรตีนสำคัญในเครือข่ายระดับ ส่วนใหญ่วิธีนี้เน้นโทโพโลยีของเครือข่ายโปรตีนแบบโต้ตอบ อย่างไรก็ตามโปรตีนโต้ตอบเครือข่ายเปลี่ยนแปลงกับเวลาและสภาพการ นี้สำคัญแต่กำเนิดแปลงโปรตีนโต้ตอบเครือข่ายถูกมองข้าม โดยวิธีก่อนหน้านี้ ในเอกสารนี้ เราแนะนำใหม่วิธีการตั้งชื่อ CDLC เพื่อทำนายโปรตีนสำคัญ โดยบูรณาการเชื่อมต่อเฉลี่ยภายในแบบไดนามิก และในองศาของโปรตีนในสิ่งอำนวยความสะดวก ใช้กับเครือข่ายโต้ตอบโปรตีนของ Saccharomyces CDLCcerevisiae ผลลัพธ์แสดงว่า CDLC outperforms 5 วิธีอื่น ๆ (ปริญญาเอกภาพ (DC) ท้องถิ่นค่าเฉลี่ยโดยใช้การเชื่อมต่อวิธี (LAC), ผลรวมของ ECC (SoECC), PeC และนิพจน์ร่วมถ่วงน้ำหนักโดยระบบคลัสเตอร์สัมประสิทธิ์ (CoEWC)) โดยเฉพาะอย่างยิ่ง CDLC สามารถปรับปรุงความแม่นยำในการทำนายโดยมากกว่า45% เมื่อเทียบกับวิธี DC ยังมีการเปรียบเทียบ CDLC กับอัลกอริธึมที่ล่าสุด CEPPK มากแม่นยำสามารถทำได้ โดย CDLC CDLC เป็นวัสดุเสริมได้ การตั้งค่าเริ่มต้นของขีดจำกัดการใช้งานและอัลฟาพารามิเตอร์ได้ 0.1 และ 0.8 ตามลำดับ

ผลลัพธ์ (ไทย) 2:

ทำนายโปรตีนที่สำคัญคือมีความสำคัญอย่างมากเพราะชีวิตไม่สามารถอยู่รอดหรือพัฒนาแม้
เพียงหนึ่งของโปรตีนเหล่านี้จะหายไป การปรับปรุงในเทคโนโลยีความเร็วสูงมีผลใน
จำนวนมากของการปฏิสัมพันธ์โปรตีนที่มีอยู่ โดยการใช้ประโยชน์จากข้อมูลที่มีปฏิสัมพันธ์เหล่านี้
นักวิจัยได้เสนอวิธีการคำนวณจำนวนมากที่จะระบุโปรตีนสำคัญที่เป็นเครือข่าย
ระดับ ส่วนใหญ่ของวิธีการเหล่านี้มุ่งเน้นไปที่โครงสร้างของเครือข่ายการทำงานร่วมกันของโปรตีนคงที่ อย่างไรก็ตาม
เครือข่ายการทำงานร่วมกันของโปรตีนเปลี่ยนแปลงกับเวลาและเงื่อนไข นี้การเปลี่ยนแปลงของธรรมชาติที่สำคัญของ
เครือข่ายการทำงานร่วมกันของโปรตีนจะมองข้ามโดยวิธีการก่อนหน้า ในบทความนี้เราจะแนะนำใหม่
วิธีการตั้งชื่อ CDLC ที่จะทำนายโปรตีนที่สำคัญโดยบูรณาการการเชื่อมต่อแบบไดนามิกเฉลี่ยในประเทศและ
ในระดับของโปรตีนในคอมเพล็กซ์ CDLC ถูกนำไปใช้กับเครือข่ายการทำงานร่วมกันของโปรตีน Saccharomyces
cerevisiae ผลที่ได้แสดงให้เห็นว่ามีประสิทธิภาพดีกว่า CDLC ห้าวิธีอื่น ๆ (ปริญญาศูนย์กลาง (DC), ท้องถิ่น
วิธีการเฉลี่ยการเชื่อมต่อที่ใช้ (LAC) ผลรวมของ ECC (SoECC) PEC และผู้ร่วมแสดงออกถ่วงน้ำหนักโดย
ค่าสัมประสิทธิ์การจัดกลุ่ม (CoEWC)) โดยเฉพาะอย่างยิ่ง CDLC สามารถปรับปรุงความแม่นยำการทำนายโดยกว่า
45% เมื่อเทียบกับวิธีการที่ดี CDLC ยังเทียบกับอัลกอริทึม CEPPK ล่าสุดและสูงกว่า
ความแม่นยำจะทำได้โดย CDLC CDLC สามารถใช้ได้เป็นวัสดุเสริม ตั้งค่าเริ่มต้นของ
เกณฑ์การใช้งานและอัลฟาพารามิเตอร์เป็น 0.8 และ 0.1 ตามลำดับ

ผลลัพธ์ (ไทย) 3:

โปรตีนที่จำเป็นเป็นอย่างสูง เพราะในสิ่งมีชีวิตไม่สามารถอยู่รอดหรือพัฒนาแม้ว่า
เพียงหนึ่งของโปรตีนเหล่านี้หายไป การปรับปรุงในเทคโนโลยีช่วยมีผลในตัวเลขขนาดใหญ่ของโปรตีน
–โปรตีนเพิ่มขึ้น โดยการใช้ประโยชน์ของข้อมูล
ปฏิสัมพันธ์เหล่านี้นักวิจัยได้เสนอวิธีการคำนวณหาโปรตีนที่จำเป็นมากในระดับเครือข่าย

ที่สุดของวิธีการเหล่านี้มุ่งเน้นไปที่โครงสร้างของโปรตีนปฏิสัมพันธ์แบบเครือข่าย อย่างไรก็ตาม
โปรตีนปฏิสัมพันธ์เครือข่ายการเปลี่ยนแปลงกับเวลาและเงื่อนไข นี้ที่สำคัญโดยธรรมชาติพลวัต
โปรตีนปฏิสัมพันธ์เครือข่ายถูกมองข้ามโดยวิธีเดิม ในกระดาษนี้เราแนะนำวิธีตั้งชื่อใหม่
cdlc ทำนายโปรตีนจำเป็น โดยการบูรณาการแบบไดนามิกและการเชื่อมต่อท้องถิ่นเฉลี่ย
ในระดับของโปรตีนในคอมเพล็กซ์ cdlc ใช้กับโปรตีนของ Saccharomyces cerevisiae ปฏิสัมพันธ์เครือข่าย
. พบว่ามีประสิทธิภาพดีกว่าวิธีการอื่น ๆ cdlc 5 ( ระดับศูนย์กลาง ( DC ) วิธีการท้องถิ่น
เฉลี่ยการเชื่อมต่อตาม ( ครั่ง ) ผลรวมของ ECC ( soecc )และร่วมแสดงออกโดย
PEC ถ่วงน้ำหนักสำหรับสัมประสิทธิ์ ( coewc ) โดยเฉพาะ cdlc สามารถปรับปรุงการพยากรณ์ความแม่นยำมากกว่า
45 % เมื่อเทียบกับวิธีการ DC cdlc ยังเทียบกับ ceppk ขั้นตอนวิธีการล่าสุด และความแม่นยำสูงกว่า
ได้โดย cdlc . cdlc ใช้ได้เป็นวัสดุเสริม ตั้งค่าเริ่มต้นของการใช้งานและพารามิเตอร์อัลฟา
เกณฑ์เป็น 0.8 และ 0.1 ,
)