Discover protein complexes in protein-protein interaction networks using parametric local modularity.
Discover protein complexes in protein-protein interaction networks using parametric local modularity.
复制标题
DOI：
10.1186/1471-2105-11-521
复制
发表时间：
2010-10-19
影响因子：
3
通讯作者：
Tan K
中科院分区：
文献类型：
--
作者：
Kim J;Tan K
蛋白质组学技术的最新进展使我们能够在多个物种以及正常和病变细胞中创建详细的蛋白质-蛋白质相互作用图谱。随着相互作用数据集大小的增加，需要强大的计算方法，以便有效地从大规模的相互作用组数据中提取网络模型。我们提出了一个算法，miPALM（模块推断参数局部模块性），推断蛋白质-蛋白质相互作用网络中的蛋白质复合物。该算法使用一种新的图论测量，参数局部模块化，以确定高度连接的子网络作为候选蛋白质复合物。使用黄金标准集的蛋白质复合物和蛋白质功能和定位注释，我们表明我们的算法实现了全面的改进，在精度，召回率和预测复合物的生物相关性方面比以前的算法。我们应用我们的算法来预测和表征一组138个新的蛋白质复合物在S。啤酒。miPALM是一种新的算法，用于从大型蛋白质-蛋白质相互作用网络中检测蛋白质复合物，其准确性比以前的方法有所提高。该软件在Matlab中实现，可在http://www.medicine.uiowa.edu/Labs/tan/software.html上免费获得。
Recent advances in proteomic technologies have enabled us to create detailed protein-protein interaction maps in multiple species and in both normal and diseased cells. As the size of the interaction dataset increases, powerful computational methods are required in order to effectively distil network models from large-scale interactome data. We present an algorithm, miPALM (Module Inference by Parametric Local Modularity), to infer protein complexes in a protein-protein interaction network. The algorithm uses a novel graph theoretic measure, parametric local modularity, to identify highly connected sub-networks as candidate protein complexes. Using gold standard sets of protein complexes and protein function and localization annotations, we show our algorithm achieved an overall improvement over previous algorithms in terms of precision, recall, and biological relevance of the predicted complexes. We applied our algorithm to predict and characterize a set of 138 novel protein complexes in S. cerevisiae. miPALM is a novel algorithm for detecting protein complexes from large protein-protein interaction networks with improved accuracy than previous methods. The software is implemented in Matlab and is freely available at http://www.medicine.uiowa.edu/Labs/tan/software.html.
登录
查看更多内容
DOI：
10.1073/pnas.0703740104
发表时间：
2007-09-25
影响因子：
11.1
作者：
Sales-Pardo, Marta;Guimera, Roger;Amaral, Luis A. Nunes
通讯作者：
Amaral, Luis A. Nunes
影响因子：
2.4
作者：
Schuetz, Philipp;Caflisch, Amedeo
通讯作者：
Caflisch, Amedeo
影响因子：
64.8
作者：
Gavin, AC;Aloy, P;Superti-Furga, G
通讯作者：
Superti-Furga, G
DOI：
10.1073/pnas.0605965104
发表时间：
2007-01-02
影响因子：
11.1
作者：
Fortunato, Santo;Barthelemy, Marc
通讯作者：
Barthelemy, Marc
影响因子：
3
作者：
Bader, GD;Hogue, CW
通讯作者：
Hogue, CW