Kernelmethoden zur Vorhersage von Protein-Protein-Interaktionen

MOTIVATION: Trotz Fortschritten bei Hochdurchsatzmethoden zur Entdeckung von Protein-Protein-Interaktionen sind die Interaktionsnetzwerke selbst für gut untersuchte Modellorganismen bestenfalls skizzenhaft, was den weiterhin bestehenden Bedarf an computergestützten Methoden unterstreicht, um Experimentatoren bei der Suche nach neuartigen Interaktionen zu unterstützen. ERGEBNISSE: Wir präsentieren eine Kernelmethode zur Vorhersage von Protein-Protein-Interaktionen unter Verwendung einer Kombination von Datenquellen, einschließlich Proteinsequenzen, Gene Ontology-Anmerkungen, lokalen Eigenschaften des Netzwerks und homologen Interaktionen in anderen Spezies. Während die in der Literatur vorgeschlagenen Protein-Kernels eine Ähnlichkeit zwischen einzelnen Proteinen bereitstellen, erfordert die Vorhersage von Interaktionen einen Kernel zwischen Proteinpaaren. Wir schlagen einen paarweisen Kernel vor, der einen Kernel zwischen einzelnen Proteinen in einen Kernel zwischen Paaren von Proteinen umwandelt, und wir veranschaulichen die Effektivität des Kernels in Verbindung mit einem Support-Vektor-Maschinen-Klassifizierer. Darüber hinaus erzielen wir verbesserte Leistung, indem wir mehrere sequenzbasierte Kernel kombinieren, die auf k-Merkhäufigkeit, Motiv- und Domäneninhalten basieren, und indem wir den paarweisen Sequenzkernel mit Merkmalen erweitern, die auf anderen Datenquellen basieren. Wir wenden unsere Methode an, um physikalische Interaktionen in Hefen unter Verwendung von Daten aus der BIND-Datenbank vorherzusagen. Bei einer Falsch-Positiv-Rate von 1 % erfasst der Klassifizierer nahezu 80 % eines Satzes vertrauenswürdiger Interaktionen. Damit demonstrieren wir die Fähigkeit unserer Methode, genaue Vorhersagen zu treffen, trotz des erheblichen Anteils an falsch positiven Ergebnissen, von denen bekannt ist, dass sie in Interaktionsdatenbanken existieren. VERFÜGBARKEIT: Die Klassifizierungsexperimente wurden mit PyML durchgeführt, das unter http://pyml.sourceforge.net verfügbar ist. Daten sind verfügbar unter: http://noble.gs.washington.edu/proj/sppi.