With the development of high-throug

With the development of high-throughput methods for identifying protein–protein interactions, large scale interaction networks are available. Computational methods to analyze the networks to detect functional modules as protein complexes are becoming more important. However, most of the existing methods only make use of the protein–protein interaction networks without considering the structural limitations of proteins to bind together. In this paper, we design a new protein complex prediction method by extending the idea of using domain–domain interaction information. Here we formulate the problem into a maximum matching problem (which can be solved in polynomial time) instead of the binary integer linear programming approach (which can be NP-hard in the worst case). We also add a step to predict domain–domain interactions which first searches the database Pfam using the hidden Markov model and then predicts the domain–domain interactions based on the database DOMINE and InterDom which contain confirmed DDIs. By adding the domain–domain interaction prediction step, we have more edges in the DDI graph and the recall value is increased significantly (at least doubled) comparing with the method of Ozawa et al. (2010) [1] while the average precision value is slightly better. We also combine our method with three other existing methods, such as COACH, MCL and MCODE. Experiments show that the precision of the combined method is improved. This article is part of a Special Issue entitled: Computational Methods for Protein Interaction and Structural Prediction.

ผลลัพธ์ (ไทย) 1:

มีการพัฒนาวิธีการอัตราความเร็วสูงสำหรับการระบุ protein–protein โต้ เครือข่ายขนาดใหญ่โต้ตอบจะพร้อมใช้งาน วิธีการคำนวณเพื่อวิเคราะห์เครือข่ายตรวจพบโมดูลที่ทำเป็นคอมเพล็กซ์โปรตีนจะกลายเป็นสิ่งที่สำคัญ อย่างไรก็ตาม ที่สุดของวิธีการที่มีอยู่เท่านั้นทำให้ใช้เครือข่าย protein–protein โต้ตอบโดยไม่ต้องพิจารณาข้อจำกัดโครงสร้างของโปรตีนเพื่อผูกเข้าด้วยกัน ในเอกสารนี้ เราออกวิธีทำนายซับซ้อนโปรตีนใหม่ โดยขยายความคิดของการใช้ข้อมูลโต้ตอบ domain–domain ที่นี่เรากำหนดปัญหาเป็นแบบสูงสุดตรงปัญหา (ซึ่งสามารถแก้ไขได้ในเวลาโพลิโนเมีย) แทนจำนวนเต็มฐานสองเส้นเขียนวิธี (ซึ่งจะหนัก NP ในกรณีเลวร้ายที่สุด) นอกจากนี้เรายังเพิ่มขั้นตอนการทำนายโต้ domain–domain แรก ค้นหาฐานข้อมูล Pfam ใช้แบบ Markov ซ่อน และทำนายการโต้ตอบที่ domain–domain แล้ว ตามฐานข้อมูล DOMINE และ InterDom ซึ่งประกอบด้วย DDIs ยืนยัน โดยการเพิ่มขั้นตอนการคาดเดาที่โต้ตอบ domain–domain เรามีขอบมากกว่ากราฟ DDI และเรียกคืนค่าจะเพิ่มขึ้นอย่างมีนัยสำคัญ (doubled น้อย) เปรียบเทียบกับวิธีการของโอะซะวะและ al. (2010) [1] ในขณะที่ค่าเฉลี่ยความแม่นยำกว่าเล็กน้อย นอกจากนี้เรายังรวมวิธีการของเรา มีสามที่มีอยู่ต่าง ๆ โค้ช MCL และ MCODE การทดลองแสดงว่า เป็นการปรับปรุงความแม่นยำของวิธีการรวม บทความนี้เป็นส่วนหนึ่งของปัญหาพิเศษที่ได้รับ: วิธีการคำนวณสำหรับการโต้ตอบโปรตีนและทำนายโครงสร้าง

ผลลัพธ์ (ไทย) 2:

กับการพัฒนาวิธีการส่งผ่านสูงสำหรับการระบุปฏิกริยาระหว่างโปรตีนเครือข่ายการทำงานร่วมกันขนาดใหญ่ที่มี วิธีการคำนวณในการวิเคราะห์เครือข่ายในการตรวจสอบโมดูลการทำงานที่เป็นโปรตีนคอมเพล็กซ์จะกลายเป็นสิ่งสำคัญมาก แต่ส่วนใหญ่ของวิธีการที่มีอยู่เพียงคนเดียวที่ทำให้การใช้งานของเครือข่ายการทำงานร่วมกันระหว่างโปรตีนโดยไม่พิจารณาข้อ จำกัด ของโครงสร้างของโปรตีนที่จะผูกเข้าด้วยกัน ในบทความนี้เราออกแบบวิธีการใหม่ทำนายโปรตีนที่ซับซ้อนโดยการขยายความคิดของการใช้ข้อมูลร่วมกันโดเมนโดเมน ที่นี่เรากำหนดปัญหาเป็นปัญหาสูงสุดจับคู่ (ซึ่งจะสามารถแก้ไขได้ในเวลาพหุนาม) แทนเลขฐานสองวิธีการเขียนโปรแกรมเชิงเส้น (ซึ่งสามารถ NP-ยากในกรณีที่เลวร้ายที่สุด) นอกจากนี้เรายังเพิ่มขั้นตอนในการทำนายการปฏิสัมพันธ์โดเมนโดเมนที่แรกค้นหาฐานข้อมูล Pfam โดยใช้แบบจำลองมาร์คอฟที่ซ่อนอยู่และคาดการณ์ปฏิสัมพันธ์โดเมนโดเมนตาม Domine ฐานข้อมูลและการ InterDom ที่มีการยืนยัน DDIs โดยการเพิ่มขั้นตอนการทำนายปฏิสัมพันธ์โดเมนโดเมนที่เรามีขอบมากขึ้นในรูปแบบของกราฟ DDI และมูลค่าการเรียกคืนจะเพิ่มขึ้นอย่างมีนัยสำคัญ (อย่างน้อยสองเท่า) เมื่อเปรียบเทียบกับวิธีการของซาวาและอัล (2010) [1] ในขณะที่ค่าเฉลี่ยความแม่นยำจะดีกว่าเล็กน้อย นอกจากนี้เรายังรวมวิธีการของเรามีสามวิธีการที่มีอยู่อื่น ๆ เช่น COACH, MCL และ MCODE การทดลองแสดงให้เห็นว่ามีความแม่นยำของวิธีการทำงานร่วมกันจะดีขึ้น บทความนี้เป็นส่วนหนึ่งของรุ่นพิเศษสิทธิ: วิธีการในการคำนวณปฏิสัมพันธ์โปรตีนและการทำนายโครงสร้าง

ผลลัพธ์ (ไทย) 3:

ด้วยการพัฒนาวิธีการสำหรับการระบุโปรตีนและโปรตีนช่วยปฏิสัมพันธ์เครือข่ายปฏิสัมพันธ์ขนาดใหญ่มี ระเบียบวิธีคำนวณเพื่อการวิเคราะห์เครือข่ายการตรวจสอบโมดูลการทำงานที่เป็นสารประกอบเชิงซ้อนของโปรตีนเป็นสำคัญมากกว่า อย่างไรก็ตามที่สุดของวิธีการเดิมที่แค่ใช้ประโยชน์ของโปรตีน และโปรตีนปฏิสัมพันธ์เครือข่ายโดยไม่พิจารณาข้อจำกัดของโครงสร้างโปรตีนที่จะผูกเข้าด้วยกัน ในกระดาษนี้เราออกแบบใหม่ โปรตีนคอมเพล็กซ์โดยภาพรวม โดยการขยายแนวคิดของการใช้โดเมน ( โดเมน ) ข้อมูลที่นี่เราจะกำหนดปัญหาเป็นปัญหาสูงสุดที่ตรงกัน ( ซึ่งสามารถแก้ไขได้ในเวลาพหุนาม ) แทนที่จะเป็นโปรแกรมเชิงเส้นแบบไบนารี ( ซึ่งสามารถ NP อย่างหนักในกรณีที่เลวร้ายที่สุด )นอกจากนี้เรายังเพิ่มขั้นตอนเพื่อทำนายและปฏิสัมพันธ์ซึ่งก่อนการค้นหาโดเมนโดเมนฐานข้อมูล pfam โดยใช้แบบจำลองฮิดเดนมาร์คอฟ ซึ่งก็คาดการณ์โดเมนและโดเมนของฐานข้อมูลและขึ้นอยู่กับพระเจ้า interdom ซึ่งประกอบด้วยการยืนยัน ddis . โดยการเพิ่มโดเมนและโดเมนปฏิสัมพันธ์ทำนายขั้นขณะนี้มีขอบใน ) กราฟและค่าระลึกได้เพิ่มขึ้นอย่างมีนัยสำคัญ ( อย่างน้อยสองเท่า ) เมื่อเทียบกับวิธีการของโอซาวา et al . ( 2010 ) [ 1 ] ในขณะที่ค่าความแม่นยำเฉลี่ย จะค่อยๆดีขึ้น นอกจากนี้เรายังรวมวิธีการของเรากับสามที่มีอยู่อื่น ๆวิธีการ เช่น โค้ช และ mcode mcl . การทดลองแสดงให้เห็นว่าความแม่นยําของวิธีการรวมจะดีขึ้นบทความนี้เป็นส่วนหนึ่งของฉบับพิเศษ เรื่องวิธีการคำนวณสำหรับการปฏิสัมพันธ์โปรตีนการทำนายโครงสร้าง .