يك روش تركيبي اندازه‌هاي مركزيت و خواص زيستي براي بهبود تشخيص كمپلكس‌هاي پروتئيني در شبكه‌هاي PPI وزني

A Combination Method of Centrality Measures and Biological Properties to Improve Detection of Protein Complexes in Weighted PPI Networks

مقدمه: در شبكه‌هاي برهمكنش پروتئيني، يك كمپلكس گروهي از پروتئين‌ها است كه موجب فرآيند زيستي مي‌شوند. شناسايي درست كمپلكس‌ها مي‌تواند به فهم بهتر عملكرد سلول‌ها كمك كند تا در اهداف درماني مانند كشف دارو مورد استفاده قرار گيرد. يكي از روش‌هاي متداول براي شناسايي كمپلكس‌ها در ‌شبكه‌هاي برهمكنش پروتئيني، خوشه‌بندي است؛ اما هدف اين پژوهش يافتن روشي جديد براي شناسايي دقيق‌تر كمپلكس‌ها است. روش: در اين مطالعه توسعه‌اي–كاربردي‌ از شبكه‌هاي پروتئيني مخمر و انسان استفاده شد. مجموعه‌هاي داده‌اي مخمر به نام‌هاي DIP،MIPS و Krogan به ترتيب داراي 4930 گره و 17201 برهمكنش‌، 4564 گره و 15175 برهمكنش و 2675 گره و 7084 برهمكنش و مجموعه داده‌اي انسان داراي 37437 برهمكنش است. الگوريتم پيشنهادي و الگوريتم‌هاي مشهور در شناسايي كمپلكس‌هاي پروتئيني بر روي مجموعه‌هاي داده‌اي اجرا شده‌اند و كمپلكس‌هاي پيش‌بيني شده با مجموعه داده‌هاي معيار CYC2008 و CORUM مورد مقايسه قرار گرفتند. نتايج: در اين تحقيق روش جديدي از دسته روش‌هاي مبتني بر هسته و پروتئين‌هاي الحاقي جهت تشخيص كمپلكس‌هاي پروتئيني استفاده شد كه داراي كارايي بالايي در تشخيص بود. هرچه قدر تشخيص كمپلكس‌ها دقيق‌تر باشد، مي‌توان پروتئين‌هاي دخيل در يك فرآيند زيستي را درست‌تر تشخيص داد. معيار‌هاي ارزيابي نشان داد كه روش پيشنهادي، بهبود قابل‌توجهي نسبت به ديگر روش‌ها دارد. نتيجه­ گيري: با توجه به نتايج به دست آمده مشاهده شد كه روش پيشنهادي تعداد مناسبي از كمپلكس‌هاي پروتئيني را شناسايي نمود و بيشترين نسبت معني‌داري زيستي را در همكاري عملكردي پروتئين‌ها دارد.

Introduction: In protein-protein interaction networks (PPINs), a complex is a group of proteins that allows a biological process to take place. The correct identification of complexes can help better understanding of the function of cells used for therapeutic purposes, such as drug discoveries. One of the common methods for identifying complexes in the PPINs is clustering, but this study aimed to identify a new method for more accurate identification of complexes. Method: In this study, Yeast and Human PPINs were investigated. The Yeast datasets, called DIP, MIPS, and Krogan, contain 4930 nodes and 17201 interactions, 4564 nodes and 15175 interactions, and 2675 nodes and 7084 interactions, respectively. The Human dataset contains 37437 interactions. The proposed and well-known methods have been implemented on datasets to identify protein complexes. Predicted complexes were compared with the CYC2008 and CORUM benchmark datasets. The evaluation criteria showed that the proposed method predicts PPINs with higher efficiency. Results: In this study, a new method of the core-attachment methods was used to detect protein complexes enjoying high efficiency in the detection. The more precise the detection method is, the more correct we can identify the proteins involved in biological process. According to the evaluation criteria, the proposed method showed a significant improvement in the detection method compared to the other methods. Conclusion: According to the results, the proposed method can identify a sufficient number of protein complexes, among the highest biological significance in functional cooperation with proteins.