MOTIVATION: Network prediction as a

MOTIVATION: Network prediction as applied to protein-protein interaction (PPI) networks has received considerable attention within the last decade. Due to the limitations of experimental techniques for interaction detection and network construction, several computational methods for PPI network reconstruction and growth have been suggested. Such methods usually limit the scope of study to a single network, employing data based on genomic context, structure, domain, sequence information, or existing network topology. Incorporating multiple species network data for network reconstruction and growth entails the design of novel models encompassing both network reconstruction and network alignment, since the goal of network alignment is to provide functionally orthologous proteins from multiple networks and such orthology information can be used in guiding interolog transfers. However such an approach raises the classical chicken or egg problem; alignment methods assume error-free networks whereas network prediction via orthology works affectively if the functionally orthologous proteins are determined with high precision. Thus to resolve this intertwinement we propose a framework to handle both problems simultaneously, that of SImultaneous Prediction and Alignment of Networks (SiPAN).
RESULTS:
We present an algorithm that solves the SiPAN problem in accordance with its simultaneous nature. Bearing the same name as the defined problem itself, the SiPAN algorithm employs state-of-the-art alignment and topology-based interaction confidence construction algorithms which are used as benchmark methods for comparison purposes as well. To demonstrate the effectiveness of the proposed network reconstruction via SiPAN we consider two scenarios; one that preserves the network sizes and the other where the network sizes are increased. Through extensive tests on real-world biological data we show that the network qualities of SiPAN reconstructions are as good as those of original networks and in some cases SiPAN networks are even better, especially for the former scenario. An alternative state-of-the-art network reconstruction algorithm RWS produces networks considerably worse than the original networks and those reproduced via SiPAN in both cases.

ผลลัพธ์ (ไทย) 1:

แรงจูงใจ: ทำนายเครือข่ายที่ใช้กับเครือข่ายแบบโต้ตอบ (PPI) โปรตีนโปรตีนจำนวนมากสนใจในทศวรรษรับ เนื่องจากข้อจำกัดของเทคนิคทดลองตรวจสอบโต้ตอบและการสร้างเครือข่าย วิธีการคำนวณต่าง ๆ สำหรับฟื้นฟูเครือข่าย PPI และเจริญเติบโตมีการแนะนำ วิธีดังกล่าวมักจะจำกัดขอบเขตของการศึกษากับเครือข่ายเดียว ใช้ข้อมูลตามบริบท genomic โครงสร้าง โดเมน ลำดับข้อมูล หรือโทโพโลยีเครือข่ายที่มีอยู่ เพจหลายชนิดเครือข่ายข้อมูลสำหรับเครือข่าย ฟื้นฟูและเจริญเติบโตกระบวนการออกแบบรูปแบบนวนิยายที่ครอบคลุมทั้งเครือข่ายฟื้นฟู และเครือข่ายการจัดตำแหน่ง ตั้งแต่เป้าหมายของตำแหน่งเครือข่ายจะให้ฟังก์ชันสามารถใช้โปรตีน orthologous จากหลายเครือข่ายและข้อมูล orthology ในแนวทางถ่ายโอน interolog อย่างไรก็ตาม วิธีการดังกล่าวปรับขึ้นคลาสสิกไก่หรือไข่ปัญหา วิธีการจัดตำแหน่งสมมติข้อผิดพลาดเครือข่ายขณะที่เครือข่ายทำนายผ่าน orthology งาน affectively ถ้าฟังก์ชัน orthologous โปรตีนจะถูกกำหนด ด้วยความแม่นยำสูง ดังนั้นการแก้ไข intertwinement นี้ เราเสนอเป็นกรอบในการจัดการปัญหาทั้งสองพร้อมกัน ที่คาดเดาพร้อมกันและจัดตำแหน่งของเครือข่าย (SiPAN)ผลลัพธ์:เรานำเสนอเป็นอัลกอริทึมที่แก้ปัญหา SiPAN ตามธรรมชาติเกิดขึ้นพร้อมกัน แต่เดิมเป็นปัญหาที่กำหนดเอง อัลกอริทึม SiPAN ใช้จัดตำแหน่งรัฐ-of-the-art และการโต้ตอบโดยใช้โครงสร้างความมั่นใจก่อสร้างอัลกอริทึมที่จะใช้เป็นวิธีมาตรฐานสำหรับเปรียบเทียบเช่น แสดงให้เห็นถึงประสิทธิภาพของฟื้นฟูเครือข่ายเสนอผ่าน SiPAN เราพิจารณาสถานการณ์ที่สอง หนึ่งที่รักษาขนาดของเครือข่ายและอื่น ๆ ซึ่งเพิ่มขนาดของเครือข่าย ผ่านการทดสอบอย่างละเอียดจริงข้อมูลชีวภาพ เราแสดงว่า คุณภาพเครือข่ายของ SiPAN ศึกษาดีเป็นของเครือข่ายเดิม และในบางกรณี SiPAN เครือข่ายยิ่งขึ้น โดยเฉพาะอย่างยิ่งสำหรับสถานการณ์ในอดีต ตอนวิธีฟื้นฟูเครือข่ายอื่นสมัยของ RWS สร้างเครือข่ายมากแย่กว่าเครือข่ายเดิมและผู้ที่ทำซ้ำผ่าน SiPAN ในทั้งสองกรณี

ผลลัพธ์ (ไทย) 2:

แรงจูงใจ: ทำนายเครือข่ายนำไปใช้กับการปฏิสัมพันธ์โปรตีน (PPI) เครือข่ายได้รับความสนใจเป็นอย่างมากในช่วงสิบปีที่ผ่านมา เนื่องจากข้อ จำกัด ของเทคนิคการทดลองสำหรับการตรวจสอบการทำงานร่วมกันและการสร้างเครือข่าย, วิธีการคำนวณหลายฟื้นฟูเครือข่าย PPI และการเจริญเติบโตได้รับการแนะนำ วิธีการดังกล่าวมักจะ จำกัด ขอบเขตของการศึกษาต่อกับเครือข่ายเดียวจ้างข้อมูลตามบริบทจีโนมโครงสร้างโดเมนข้อมูลลำดับหรือโครงสร้างเครือข่ายที่มีอยู่ ผสมผสานหลายข้อมูลเครือข่ายสายพันธุ์เพื่อการฟื้นฟูและการเติบโตของเครือข่าย entails การออกแบบของรูปแบบนวนิยายครอบคลุมทั้งเครือข่ายฟื้นฟูและการจัดตำแหน่งเครือข่ายเนื่องจากเป้าหมายของการจัดตำแหน่งเครือข่ายคือการให้โปรตีน orthologous หน้าที่จากหลายเครือข่ายและข้อมูล orthology ดังกล่าวสามารถนำมาใช้ในการชี้นำการถ่ายโอน interolog . แต่วิธีการดังกล่าวก่อให้เกิดไก่คลาสสิกหรือปัญหาไข่; วิธีการตั้งศูนย์เครือข่ายถือว่าปราศจากข้อผิดพลาดในขณะที่การคาดการณ์เครือข่ายผ่านทาง orthology ทำงาน affectively ถ้าโปรตีน orthologous หน้าที่จะถูกกำหนดด้วยความแม่นยำสูง ดังนั้นเพื่อแก้ไข intertwinement นี้เรานำเสนอกรอบการทำงานในการจัดการปัญหาทั้งสองพร้อมกันที่ของการทำนายพร้อมกันและการจัดตำแหน่งของเครือข่าย (Sipan).
ผลการศึกษา:
เรานำเสนอขั้นตอนวิธีที่แก้ปัญหา Sipan ให้สอดคล้องกับธรรมชาติพร้อมกัน แบริ่งชื่อเดียวกับปัญหาที่กำหนดเองขั้นตอนวิธีการจัดตำแหน่ง Sipan พนักงานรัฐของศิลปะและโครงสร้างตามขั้นตอนวิธีการก่อสร้างความเชื่อมั่นในการทำงานร่วมกันซึ่งจะใช้เป็นวิธีการมาตรฐานสำหรับการเปรียบเทียบเช่นกัน เพื่อแสดงให้เห็นถึงประสิทธิภาพของการฟื้นฟูเครือข่ายที่นำเสนอผ่านทาง Sipan เราพิจารณาสถานการณ์ที่สอง; หนึ่งที่เก็บรักษาขนาดของเครือข่ายและอื่น ๆ ที่มีขนาดเครือข่ายจะเพิ่มขึ้น ผ่านการทดสอบอย่างกว้างขวางในข้อมูลทางชีวภาพโลกแห่งความจริงที่เราแสดงให้เห็นว่าคุณภาพของเครือข่ายไทปัน Sipan มีดีเท่าที่ของเครือข่ายเดิมและในบางกรณี Sipan เครือข่ายที่ดียิ่งขึ้นโดยเฉพาะอย่างยิ่งสำหรับสถานการณ์ในอดีต ทางเลือกที่รัฐของศิลปะขั้นตอนวิธีการฟื้นฟูเครือข่าย RWS ผลิตเครือข่ายมากเลวร้ายยิ่งกว่าเครือข่ายเดิมและผู้ที่ทำซ้ำผ่าน Sipan ในทั้งสองกรณี

ผลลัพธ์ (ไทย) 3:

แรงจูงใจ : เครือข่ายการทำนายที่ใช้ ( 3 ) ปฏิสัมพันธ์ระหว่างโปรตีน ( PPI ) เครือข่ายที่ได้รับความสนใจมากในทศวรรษที่ผ่านมา เนื่องจากข้อจำกัดของเทคนิคการทดลองการปฏิสัมพันธ์ และการสร้างเครือข่าย หลายวิธีการคำนวณเพื่อการฟื้นฟูเครือข่าย PPI และการเจริญเติบโตได้รับการแนะนำวิธีนี้มักจะ จำกัด ขอบเขตของการศึกษาเครือข่ายเดียว ใช้ข้อมูลตามบริบท , สร้างโครงสร้าง , โดเมน , ข้อมูลลำดับหรือที่มีอยู่ในเครือข่ายแบบ . หลาย ๆชนิดผสมผสานเครือข่ายข้อมูลเพื่อการใช้เครือข่ายและการออกแบบของนวนิยายแบบครอบคลุมทั้งการสร้างเครือข่ายแนวร่วมและเครือข่ายเนื่องจากเป้าหมายของแนวร่วมเครือข่ายคือ เพื่อให้โปรตีนตามหน้าที่ orthologous จากหลายเครือข่ายและข้อมูล orthology ดังกล่าวสามารถใช้ในการชี้นำ การโอน interolog . อย่างไรก็ตาม วิธีการดังกล่าวทำให้ไก่คลาสสิก หรือปัญหาไข่ ;วิธีการจัดถือว่าผิดพลาดฟรีและเครือข่ายผ่านทางเครือข่ายการทำนาย orthology ทำงานได้อย่างมีประสิทธิภาพหากโปรตีนตามหน้าที่ orthologous ถูกกำหนดด้วยความแม่นยำสูง ดังนั้น เพื่อแก้ปัญหานี้ intertwinement เรานำเสนอวิธีการจัดการกับปัญหาพร้อมกัน ที่ทำนายพร้อมกันและแนวของเครือข่าย ( ผลลัพธ์ :

ซิปัน )เราใช้วิธีที่แก้ซิปานปัญหาตามธรรมชาติพร้อมกันของ ชื่อเดียวกับกำหนดปัญหาเอง ซีปันขั้นตอนวิธีใช้แนวของทอพอโลยีตามปฏิสัมพันธ์มั่นใจสร้างอัลกอริทึมซึ่งใช้เป็นวิธีมาตรฐานเพื่อวัตถุประสงค์ในการเปรียบเทียบด้วยเพื่อแสดงให้เห็นถึงประสิทธิภาพของการนำเสนอการสร้างเครือข่ายผ่านซิปานเราพิจารณาสองสถานการณ์ หนึ่งในเครือข่ายขนาดและอื่น ๆ ที่เครือข่ายขนาดจะเพิ่มขึ้นผ่านการทดสอบอย่างละเอียดบนโลกแห่งความจริงข้อมูลทางชีววิทยาเราแสดงให้เห็นว่าเครือข่ายคุณภาพของซิปาน การสร้างใหม่จะเป็นดีของเครือข่ายเดิมและในบางกรณีเครือข่ายซีปันได้ดียิ่งขึ้น โดยเฉพาะอย่างยิ่งในสถานการณ์เดิมทางเลือกใหม่ของขั้นตอนวิธีเครือข่าย RWS สร้างเครือข่ายมากยิ่งกว่าเดิม และทำซ้ำผ่านทางเครือข่ายซีปันในทั้งสองกรณี