Identifikation und Priorisierung von Krankheitskandidatengenen durch Nutzung von Protein-Interaktionsnetzwerken

HINTERGRUND: Obwohl die meisten aktuellen Methoden zur Identifikation und Priorisierung von Krankheitskandidatengen von funktionalen Annotationen abhängen, ist die Abdeckung der funktionalen Genannotation ein einschränkender Faktor. In der aktuellen Studie beschreiben wir eine Methode zur Priorisierung von Kandidatengen, die vollständig auf Analysen von Protein-Protein-Interaktionsnetzwerken (PPIN) basiert. ERGEBNISSE: Zum ersten Mal werden erweiterte Versionen der PageRank- und HITS-Algorithmen sowie die K-Step-Markov-Methode angewendet, um Krankheitskandidatengene in einem Trainings-Test-Schema zu priorisieren. Unter Verwendung einer Liste bekannter krankheitsbezogener Gene aus unserer früheren Studie als Trainingsset („Seeds“) und der restlichen bekannten Gene als Testliste führen wir eine großangelegte Kreuzvalidierung durch, um die Kandidatengene zu bewerten und vergleichen auch die Leistung unseres Ansatzes. Unter geeigneten Einstellungen – zum Beispiel eine Rückwahrscheinlichkeit von 0,3 für PageRank mit Priors und HITS mit Priors sowie eine Schrittgröße von 6 für die K-Step-Markov-Methode – erzielten die drei Methoden einen vergleichbaren AUC-Wert, was auf eine ähnliche Leistung hinweist. FAZIT: Obwohl netzwerkbasierte Methoden im Allgemeinen nicht so effektiv sind wie integrierte, funktionale annotationsbasierte Methoden zur Priorisierung von Krankheitskandidatengenen, schneidet die PPIN-basierte Priorisierung von Kandidatengen im direkten Vergleich besser ab als alle anderen Genmerkmale oder Annotationen. Darüber hinaus zeigen wir, dass Methoden, die zur Untersuchung sowohl sozialer als auch Web-Netzwerke verwendet werden, erfolgreich für die Priorisierung von Krankheitskandidatengen eingesetzt werden können.