Efficient prediction of progesterone receptor interactome using a support vector machine model.
Efficient prediction of progesterone receptor interactome using a support vector machine model.
复制标题
使用支持向量机模型对孕酮受体相互作用的有效预测。
DOI：
10.3390/ijms16034774
复制
发表时间：
2015-03-03
影响因子：
5.6
通讯作者：
Fu YS
中科院分区：
文献类型：
--
作者：
Liu JL;Peng Y;Fu YS
蛋白质-蛋白质相互作用(PPI)在几乎所有的细胞过程中都是必不可少的，识别PPI是生物医学研究人员的一项重要任务。到目前为止，PPI的计算研究大多是针对成对预测的。从理论上讲，预测单一蛋白质的蛋白质伙伴可能是一个更简单的问题。给出特定蛋白质的足够数据，结果可能比一般的PPI预测值更准确。在本研究中，我们评估了使用以特定蛋白质为中心的选定特征的支持向量机(SVM)模型用于PPI预测的可能性。作为一项概念验证研究，我们应用这种方法来确定孕激素受体(PR)的相互作用组，孕激素受体是一种通过调节卵巢孕酮的作用来协调哺乳动物雌性生殖的蛋白质。诊断准确率为91.9%，敏感性为92.8%，特异性为91.2%。我们的方法一般适用于任何其他蛋白质，因此可能有助于指导生物医学实验。
Protein-protein interaction (PPI) is essential for almost all cellular processes and identification of PPI is a crucial task for biomedical researchers. So far, most computational studies of PPI are intended for pair-wise prediction. Theoretically, predicting protein partners for a single protein is likely a simpler problem. Given enough data for a particular protein, the results can be more accurate than general PPI predictors. In the present study, we assessed the potential of using the support vector machine (SVM) model with selected features centered on a particular protein for PPI prediction. As a proof-of-concept study, we applied this method to identify the interactome of progesterone receptor (PR), a protein which is essential for coordinating female reproduction in mammals by mediating the actions of ovarian progesterone. We achieved an accuracy of 91.9%, sensitivity of 92.8% and specificity of 91.2%. Our method is generally applicable to any other proteins and therefore may be of help in guiding biomedical experiments.
登录
查看更多内容
影响因子：
14.9
作者：
Keshava Prasad TS;Goel R;Kandasamy K;Keerthikumar S;Kumar S;Mathivanan S;Telikicherla D;Raju R;Shafreen B;Venugopal A;Balakrishnan L;Marimuthu A;Banerjee S;Somanathan DS;Sebastian A;Rani S;Ray S;Harrys Kishore CJ;Kanth S;Ahmed M;Kashyap MK;Mohmood R;Ramachandra YL;Krishna V;Rahiman BA;Mohan S;Ranganathan P;Ramabadran S;Chaerkady R;Pandey A
通讯作者：
Pandey A
DOI：
10.1093/bioinformatics/bts565
发表时间：
2012-12-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Fu L;Niu B;Zhu Z;Wu S;Li W
通讯作者：
Li W
影响因子：
14.9
作者：
Mitchell A;Chang HY;Daugherty L;Fraser M;Hunter S;Lopez R;McAnulla C;McMenamin C;Nuka G;Pesseat S;Sangrador-Vegas A;Scheremetjew M;Rato C;Yong SY;Bateman A;Punta M;Attwood TK;Sigrist CJ;Redaschi N;Rivoire C;Xenarios I;Kahn D;Guyot D;Bork P;Letunic I;Gough J;Oates M;Haft D;Huang H;Natale DA;Wu CH;Orengo C;Sillitoe I;Mi H;Thomas PD;Finn RD
通讯作者：
Finn RD
影响因子：
2.9
作者：
Heneghan, Aaron F.;Connaghan-Jones, Keith D.;Bain, David L.
通讯作者：
Bain, David L.
影响因子：
--
作者：
Han, SJ;DeMayo, FJ;O'Malley, BW
通讯作者：
O'Malley, BW