In the previous section, we hypothe

In the previous section, we hypothesized that identifying essential proteins in the dynamic network can optimize the
performance of topology-based methods. To prove the validity of this hypothesis, we take three topology-based methods (DC, SoECC and LAC) as examples. These methods are selected because they can be used to predict essential proteins from different angles. DC bases on the number of neighbors of each current node, SoECC focuses on the importance of the edges connected with current node and LAC considers the significance of neighbors of current node. We compare the performance of DC, SoECC and LAC based on the static PPI network with that applied in the dynamic network. When implementing the three methods in the dynamic PPI network, for each protein, we first calculate the centrality scores related to each of those temporal networks that contain the protein. Then, we obtain the mean of these centrality scores and regard it as the final centrality score of this protein. The final score of a protein that is not included in any temporal network is set to 0. The proteins that are not included in the dynamic PPI network and the interactions related to those proteins are deleted from the static PPI network to achieve a fair comparison. Regardless of which method and which branch of the six types of top ranked proteins is considered, more essential proteins are correctly predicted from the dynamic network than from the original static network and the remaining static network (Fig. 3). Therefore, we can conclude that predicting essential proteins based on the dynamic network topology can achieve better performance. In addition, deleting the proteins excluded from the dynamic network only has minimal effect on the performance of the three methods. That is to say, it is the usage of dynamic PPI network that results in the improvement of prediction precision rather than the deletion of proteins.

ผลลัพธ์ (ไทย) 1:

ในส่วนก่อนหน้านี้ เราตั้งสมมติฐานว่าที่ระบุโปรตีนสำคัญในเครือข่ายแบบไดนามิกสามารถช่วยเพิ่มประสิทธิภาพการประสิทธิภาพของวิธีใช้โทโพโลยี พิสูจน์ถูกต้องของสมมติฐานนี้ เราใช้สามโทโพโลยีตามวิธี (DC, SoECC และ LAC) เป็นตัวอย่าง มีเลือกวิธีการเหล่านี้เนื่องจากพวกเขาสามารถใช้เพื่อทำนายโปรตีนสำคัญจากมุมมองที่แตกต่างกัน DC ฐานจำนวนบ้านของแต่ละโหนดปัจจุบัน SoECC เน้นความสำคัญของขอบที่เชื่อมต่อกับโหนดปัจจุบัน และ LAC พิจารณาความสำคัญของเพื่อนบ้านของโหนดปัจจุบัน เราเปรียบเทียบประสิทธิภาพของ DC, SoECC และ LAC ตามเครือข่าย PPI คง มีที่ใช้ในเครือข่ายแบบไดนามิก เมื่อใช้วิธีการสามวิธีในแบบไดนามิก PPI เครือข่าย สำหรับแต่ละโปรตีน เราคำนวณคะแนนเอกภาพที่เกี่ยวข้องกับแต่ละข่ายชั่วคราวที่ประกอบด้วยโปรตีน จากนั้น เราได้ค่าเฉลี่ยของคะแนนเหล่านี้เอกภาพ และพิจารณาเป็นคะแนนแห่งสุดท้ายของโปรตีนนี้ ได้ 0 คะแนนสุดท้ายของโปรตีนที่ไม่มีอยู่ในเครือข่ายชั่วคราว โปรตีนที่ไม่อยู่ในข่าย PPI แบบไดนามิกและการโต้ตอบที่เกี่ยวข้องกับโปรตีนเหล่านั้น จะถูกลบออกจากเครือข่าย PPI คงเพื่อให้เกิดการเปรียบเทียบที่เหมาะสม โดยที่วิธีและที่สาขาของโปรตีนการจัดอันดับด้านบนหกชนิดเป็นโปรตีนที่จำเป็นมากขึ้น พิจารณาจะถูกคาดการณ์จากเครือข่ายแบบไดนามิกกว่าเครือข่ายคงเดิมและเครือข่ายคงเหลือ (Fig. 3) ดังนั้น เราสามารถสรุปได้ว่า โปรตีนสำคัญที่ขึ้นอยู่กับโทโพโลยีเครือข่ายแบบไดนามิกคาดการณ์สามารถบรรลุประสิทธิภาพ ลบโปรตีนที่แยกออกจากเครือข่ายแบบไดนามิกเท่านั้นได้ผลน้อยในประสิทธิภาพของวิธีการสามวิธี กล่าวคือ มันเป็นการใช้งานของเครือข่าย PPI แบบไดนามิกที่มีผลการปรับปรุงความแม่นยำในการทำนายมากกว่าลบของโปรตีน

ผลลัพธ์ (ไทย) 2:

ในส่วนก่อนหน้านี้เราตั้งสมมติฐานว่าการระบุโปรตีนที่สำคัญในเครือข่ายแบบไดนามิกสามารถเพิ่มประสิทธิภาพ
การทำงานของวิธีการโครงสร้างพื้นฐาน เพื่อพิสูจน์ความถูกต้องของสมมติฐานนี้เราใช้เวลาสามวิธีการโครงสร้างพื้นฐาน (ซี SoECC และ LAC) เป็นตัวอย่าง วิธีการเหล่านี้จะถูกเลือกเพราะพวกเขาสามารถใช้ในการทำนายโปรตีนสำคัญจากมุมที่แตกต่างกัน ฐาน DC กับจำนวนของเพื่อนบ้านของแต่ละโหนดปัจจุบัน SoECC มุ่งเน้นไปที่ความสำคัญของขอบที่เชื่อมต่อกับโหนดปัจจุบันและ LAC พิจารณาความสำคัญของเพื่อนบ้านของโหนดปัจจุบัน เราเปรียบเทียบประสิทธิภาพการทำงานของซี SoECC และ LAC ขึ้นอยู่กับเครือข่าย PPI คงที่กับที่ใช้ในเครือข่ายแบบไดนามิก เมื่อการดำเนินการสามวิธีในเครือข่ายของ PPI แบบไดนามิกสำหรับแต่ละโปรตีนครั้งแรกที่เราคำนวณคะแนนศูนย์กลางที่เกี่ยวข้องกับแต่ละเครือข่ายชั่วคราวที่มีโปรตีน จากนั้นเราได้รับค่าเฉลี่ยของคะแนนศูนย์กลางเหล่านี้และคิดว่ามันเป็นศูนย์กลางคะแนนสุดท้ายของโปรตีนชนิดนี้ คะแนนสุดท้ายของโปรตีนที่ไม่ได้รวมอยู่ในเครือข่ายชั่วใด ๆ ที่ตั้งค่าเป็น 0 โปรตีนที่ไม่ได้รวมอยู่ในเครือข่าย PPI แบบไดนามิกและการโต้ตอบที่เกี่ยวข้องกับโปรตีนเหล่านั้นจะถูกลบออกจากเครือข่าย PPI แบบคงที่เพื่อให้บรรลุการเปรียบเทียบยุติธรรม โดยไม่คำนึงถึงวิธีการและที่สาขาของหกชนิดของโปรตีนที่อยู่ในอันดับที่ถือว่าเป็นโปรตีนที่จำเป็นมากขึ้นมีการคาดการณ์ได้อย่างถูกต้องจากเครือข่ายแบบไดนามิกกว่าจากเครือข่ายคงเดิมและเครือข่ายแบบคงที่เหลืออยู่ (รูปที่ 3). ดังนั้นเราจึงสามารถสรุปได้ว่าโปรตีนที่จำเป็นทำนายบนพื้นฐานของโครงสร้างเครือข่ายแบบไดนามิกสามารถบรรลุประสิทธิภาพที่ดีขึ้น นอกจากนี้การลบโปรตีนแยกออกจากเครือข่ายแบบไดนามิกเพียง แต่มีผลกระทบน้อยที่สุดในการทำงานของทั้งสามวิธี นั่นคือจะบอกว่ามันเป็นเรื่องการใช้งานของเครือข่าย PPI แบบไดนามิกที่ให้ผลในการปรับปรุงความแม่นยำทำนายมากกว่าลบของโปรตีน

ผลลัพธ์ (ไทย) 3:

ในส่วนก่อนหน้าเราตั้งสมมติฐานว่า การระบุโปรตีนสำคัญในเครือข่ายแบบไดนามิกสามารถเพิ่มประสิทธิภาพการปฏิบัติตามแบบวิธีการ
. เพื่อพิสูจน์ความถูกต้องของสมมติฐานนี้ เราใช้สามแบบตามวิธี ( DC soecc และครั่ง ) เป็นตัวอย่าง วิธีการเหล่านี้จะถูกเลือกเพราะพวกเขาสามารถทำนายที่สำคัญโปรตีนจากมุมที่แตกต่างกันDC ฐานบนหมายเลขของประเทศเพื่อนบ้านในปัจจุบันแต่ละโหนด soecc เน้นความสำคัญของขอบที่เชื่อมต่อกับปมและครั่งจะพิจารณาความสำคัญของประเทศเพื่อนบ้านของโหนดปัจจุบัน เปรียบเทียบประสิทธิภาพของ DC , soecc และครั่งยึด PPI เครือข่ายคงที่กับที่ใช้ในเครือข่ายแบบไดนามิก เมื่อใช้ทั้งสามวิธีในเครือข่ายหรือแบบไดนามิกสำหรับโปรตีนแต่ละ เราคำนวณคะแนนความสำคัญเกี่ยวข้องกับแต่ละคน และเครือข่ายที่ประกอบด้วยโปรตีน จากนั้นเราได้รับค่าเฉลี่ยของคะแนนความสำคัญเหล่านี้ และพิจารณาเป็นขั้นสุดท้ายศูนย์กลางคะแนนของโปรตีนนี้ คะแนนสุดท้ายของโปรตีนที่ไม่รวมอยู่ในเครือข่ายใด ๆ เวลาถูกตั้งค่าเป็น 0โปรตีนที่ไม่ได้รวมอยู่ในเครือข่าย ppi แบบไดนามิกและปฏิสัมพันธ์ที่เกี่ยวข้องกับโปรตีนเหล่านั้นจะถูกลบออกจากเครือข่าย PPI คงที่เพื่อให้บรรลุการเปรียบเทียบที่เป็นธรรม ไม่ว่าวิธีไหน และที่สาขาของหกชนิดของอันดับยอดโปรตีนจะพิจารณาโปรตีนจำเป็นมากขึ้นอย่างถูกต้องทำนายจากเครือข่ายแบบไดนามิกมากกว่าจากเครือข่ายแบบเดิม และอีกเครือข่ายแบบคงที่ ( รูปที่ 3 ) ดังนั้นเราจึงสามารถสรุปได้ว่า ทำนายที่สำคัญโปรตีนบนพื้นฐานของโครงสร้างเครือข่ายแบบไดนามิกสามารถบรรลุประสิทธิภาพที่ดีขึ้น นอกจากนี้การลบโปรตีนแยกออกจากเครือข่ายแบบไดนามิก มีเพียงผลกระทบน้อยที่สุดในประสิทธิภาพของทั้งสามวิธี จะบอกว่า มันคือการใช้เครือข่ายที่มีผลในการปรับปรุงความแม่นยำการทำนายมากกว่าการลบโปรตีน
PPI แบบไดนามิก