The latent geometry of the human protein interaction network.
The latent geometry of the human protein interaction network.
复制标题
DOI：
10.1093/bioinformatics/bty206
复制
发表时间：
2018-08-15
期刊：
影响因子：
--
通讯作者：
Andrade-Navarro M
中科院分区：
文献类型：
--
作者：
Alanis-Lobato G;Mier P;Andrade-Navarro M
最近推出的一系列算法和模型主张复杂系统的网络表示背后存在双曲几何。由于人类蛋白质相互作用网络（hPIN）具有复杂的架构，我们假设揭示其潜在的几何结构可以缓解系统生物学中的挑战性问题，将其转化为测量蛋白质之间的距离。我们将 hPIN 嵌入到双曲空间中，发现推断的节点坐标捕获了生物学相关特征，例如蛋白质年龄、功能和细胞定位。这意味着 hPIN 在二维双曲平面中的表示提供了一种新颖且信息丰富的方式来可视化蛋白质及其相互作用。然后，我们使用这些坐标来计算蛋白质之间的双曲距离，作为预测可能的蛋白质相互作用的似然得分。最后，我们观察到蛋白质可以在 hPIN 潜在几何形状的指导下，通过贪婪路由过程有效地相互通信。我们表明，这些有效的沟通渠道可用于确定信号转导途径的核心成员，并研究系统扰动如何影响其效率。我们的网络嵌入器的 R 实现可在 https://github.com/galanisl/NetHypGeom 上找到。此外，本文附带了一个用于 hPIN 几何分析的 Web 工具，网址为 http://cbdm-01.zdv.uni-mainz.de/~galanisl/gapi。 补充数据可在生物信息学在线获取。
A series of recently introduced algorithms and models advocates for the existence of a hyperbolic geometry underlying the network representation of complex systems. Since the human protein interaction network (hPIN) has a complex architecture, we hypothesized that uncovering its latent geometry could ease challenging problems in systems biology, translating them into measuring distances between proteins. We embedded the hPIN to hyperbolic space and found that the inferred coordinates of nodes capture biologically relevant features, like protein age, function and cellular localization. This means that the representation of the hPIN in the two-dimensional hyperbolic plane offers a novel and informative way to visualize proteins and their interactions. We then used these coordinates to compute hyperbolic distances between proteins, which served as likelihood scores for the prediction of plausible protein interactions. Finally, we observed that proteins can efficiently communicate with each other via a greedy routing process, guided by the latent geometry of the hPIN. We show that these efficient communication channels can be used to determine the core members of signal transduction pathways and to study how system perturbations impact their efficiency. An R implementation of our network embedder is available at https://github.com/galanisl/NetHypGeom. Also, a web tool for the geometric analysis of the hPIN accompanies this text at http://cbdm-01.zdv.uni-mainz.de/~galanisl/gapi. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
3.7
作者：
Alanis-Lobato G
通讯作者：
Alanis-Lobato G
影响因子：
14.9
作者：
Alanis-Lobato G;Andrade-Navarro MA;Schaefer MH
通讯作者：
Schaefer MH
影响因子：
11.2
作者：
Dennler, Sylviane;Andre, Jocelyne;Mauviel, Alain
通讯作者：
Mauviel, Alain
影响因子：
4.4
作者：
Alanis-Lobato, Gregorio;Cannistraci, Carlo Vittorio;Ravasi, Timothy
通讯作者：
Ravasi, Timothy
影响因子：
5.8
作者：
Chen, Jin;Hsu, Wynne;Ng, See-Kiong
通讯作者：
Ng, See-Kiong