Automated modelling of signal transduction networks.
Automated modelling of signal transduction networks.
复制标题
DOI：
10.1186/1471-2105-3-34
复制
发表时间：
2002-11-01
影响因子：
3
通讯作者：
Church G
中科院分区：
文献类型：
--
作者：
Steffen M;Petti A;Aach J;D'haeseleer P;Church G
细胞内信号转导是通过蛋白质和小分子网络实现的，这些网络将信息从细胞表面传递到细胞核，在细胞核中它们最终影响转录变化。理解细胞用来完成这一重要过程的机制需要对所涉及的网络进行详细的分子描述。我们已经开发了一种计算方法，用于生成静态模型的信号转导网络，利用蛋白质相互作用的地图产生的大规模双杂交屏幕和表达谱的DNA微阵列。网络完全通过整合蛋白质-蛋白质相互作用数据与微阵列表达数据来确定，而无需任何途径中间体的先验知识。实际上，这相当于提取蛋白质相互作用数据集的子网络，其成员具有最相关的表达谱。我们表明，我们的技术准确地重建MAP激酶信号网络在酿酒酵母。这种方法应该提高我们的能力，信令网络建模和发现已知网络的新组件。更一般地说，它提供了一种用于将分子数据（单独的转录本丰度测量或成对蛋白质相互作用）合成为更高水平结构（例如途径和网络）的方法。
Intracellular signal transduction is achieved by networks of proteins and small molecules that transmit information from the cell surface to the nucleus, where they ultimately effect transcriptional changes. Understanding the mechanisms cells use to accomplish this important process requires a detailed molecular description of the networks involved. We have developed a computational approach for generating static models of signal transduction networks which utilizes protein-interaction maps generated from large-scale two-hybrid screens and expression profiles from DNA microarrays. Networks are determined entirely by integrating protein-protein interaction data with microarray expression data, without prior knowledge of any pathway intermediates. In effect, this is equivalent to extracting subnetworks of the protein interaction dataset whose members have the most correlated expression profiles. We show that our technique accurately reconstructs MAP Kinase signaling networks in Saccharomyces cerevisiae. This approach should enhance our ability to model signaling networks and to discover new components of known networks. More generally, it provides a method for synthesizing molecular data, either individual transcript abundance measurements or pairwise protein interactions, into higher level structures, such as pathways and networks.
登录
查看更多内容
影响因子：
56.9
作者：
Butty, AC;Pryciak, PM;Peter, M
通讯作者：
Peter, M
影响因子：
56.9
作者：
PETER, M;HERSKOWITZ, I
通讯作者：
HERSKOWITZ, I
影响因子：
64.8
作者：
Gavin, AC;Bösche, M;Superti-Furga, G
通讯作者：
Superti-Furga, G
影响因子：
64.8
作者：
Endy, D;Brent, R
通讯作者：
Brent, R
影响因子：
5.3
作者：
Donzé, O;Picard, D
通讯作者：
Picard, D