Интерактом

Интерактом (англ. Interactome) — термин молекулярной биологии, обозначающий (полный) набор взаимодействий в отдельной клетке. Взаимодействия могу быть разные:

• Непосредственно физические взаимодействия между молекулами (например, белок-белковые взаимодействия)
• Непрямые взаимодействия генов

Слово «интерактом» было изначально придумано в 1999 году группой французских ученых во главе с Бернардом Жаком. Хотя интерактомы являются биологическими сетями, их не следует путать с другими биологическими сетями, такими как нейронные и трофические.

Интерактомика (англ. Interactomics) - это дисциплина, находящаяся на стыке биоинформатики и биологии, которая занимается изучением взаимодействий и последствий этих взаимодействий между белками и другими молекулами внутри клетки. Таким образом, целью интерактомики является сравнение сетей взаимодействий (т.е интерактомов) у различных видов, для того чтобы узнать какие черты таких сетей сохранились или изменились. Она является примером науки, которая позволяет взглянуть на организм или биосистему в целом. В ней собраны большие наборы полногеномных и протеомных данных и определены корреляции между молекулами. Из этой информации формулируются новые гипотезы об ответных реакциях этих молекул, которые могут быть проверены в новых экспериментах.

Часть интерактома DISC1 с генами(текст в прямоугольниках) и взаимодействиями(линии между генами). Hennah and Porteous, 2009.

Сети молекулярных и генетических взаимодействий

Молекулярные взаимодействия могут появляться между молекулами различных групп биохимических веществ (белки, нуклеиновые кислоты, липиды, углеводы), а также в пределах одной группы. В случае, когда такие молекулы физически связаны, они образуют сети молекулярных взаимодействий, которые обычно классифицируются согласно природе вовлеченных соединений.

Чаще всего термин "интерактом" относится к сетям белок-белковых взаимодействий или к их подмножествам. Например, интерактом белка Sirt-1 — это сеть, включающая Sirt-1 и белки, напрямую взаимодействующие с ним. А интерактом второго порядка семейства Sirt иллюстрирует взаимодействия между соседями соседей. Другой широко изученный тип интерактома — белок-ДНКовый интерактом (также называемый генно-регуляторной сетью) — это сеть, образованная транскрипционными факторами, хроматин-регуляторными белками и их ген-мишенями. Даже метаболические сети могут рассматриваться как сети молекулярных взаимодействий: метаболиты, т.е химические компоненты клетки превращаются друг в друга с помощью ферментов, которые должны физически связаться со своими субстратами.

Все типы интерактомов взаимосвязаны и перекрываются. Например, белковые интерактомы содержат много ферментов, которые в свою очередь формируют биохимические сети. Подобным же образом, ген-регуляторные сети пересекаются с сетями белковых взаимодействий и с сигнальными сетями.

Было предположено, что размер интерактома организма коррелирует с биологической сложностью организма лучше, чем размер генома. Однако, карты белок-белковых взаимодействий, содержащие несколько тысяч бинарных взаимодействий и доступные для нескольких видов, все еще окончательно не завершены, и поэтому, размеры интерактомов остаются причиной споров.

Оценки интерактома дрожжевых белков

Гены взаимодействуют таким образом, что они влияют на функции друг друга. Например, мутация может быть вредоносна, однако, если она сочетается с другой мутацией, такая комбинация может оказаться летальной. О таких генах говорят, что они «генетически взаимодействуют». Гены, связанные таким образом, формируют сети генетических взаимодействий. Цели изучения этих сетей: развитие функциональных карт процессов в клетке, идентификация мишеней лекарств и предсказание функций неохарактеризованных генов.

В 2010 году наиболее полный из существующих интерактомов был основан на 5.4 млн попарных сравнений генов, описывал взаимодействие 75% всех генов и включал 170 тысяч взаимодействий. Эти гены были сгруппированы на основе схожести функций для построения функциональной карты клеточных процессов. С помощью этого метода стало возможным предсказание функции известных генов лучше, чем при помощи любых других подобных методов, а также добавление функциональной информации о ранее не описанных генах. Из этой модели генетические взаимодействия могут рассматриваться на разных масштабах, что поможет в изучении консервативности генов. В ходе исследования было замечено, что отрицательных взаимодействий вдвое больше, чем положительных и они более информативны, а также гены с большим количеством взаимодействий в случае повреждения более склонны привести к летальному исходу.

Экспериментальные методы создания интерактомов

Основной элемент белковой сети — белок-белковое взаимодействие. В то время, как существует много методов исследовать белок-белковые взаимодействия, только немногие из них используются при создании интерактомов.

Двугибридная дрожжевая система используется для определения бинарных прямых физических взаимодействий между двумя белками. Кратко и неформально, метод заключается в том, чтобы проанализировать взаимодействие белков in vivo в дрожжах путем связывания интересующих белков A и B с разделенными ДНК-связывающим и активационным доменами некоторого активатора транскрипции (например Gal4) соответственно. Конструкция "белок A + ДНК-связывающий домен" называется наживкой (англ. bait), а конструкция "белок B + активационный домен" называется жертвой (англ. prey). Если взаимодействие происходит, то из двух фрагментов собирается функциональный активатор транскрипции, который запускает транскрипцию репортерного гена (например, вырабатывающего некий флюоресцентный белок), иначе репортерный ген не транскрибируется и ничего не происходит.

Плюсы метода в том, что он достаточно прост, не требует специального оборудования и может применяться для целых библиотек, что делает yeast two-hybrid выбором по умолчанию для построения интерактомов.

Большая проблема yeast two-hybrid - ложноположительные и ложноотрицательные срабатывания:

• Ложноположительные срабатывания могут иметь разную природу и зависят от типа Y2H. Среди причин ложноположительных результатов может быть случай, когда белки способны взаимодействовать физически, но при этом в живом организме обычно этого не делают, потому что находятся в разных местах клетки, или вообще в разных видах клеток. Также ЛП может быть вызвано взаимодействием жертвы с репортерным белком. Белки, некорректно свернутые, также могут участвовать в нестандартных взаимодействиях.

• В классическом (с Gal4) yeast two-hybrid очень сложно обнаружить взаимодействия мембранных белков. Также связь между двумя белками в Y2H несимметрична: зависит от того, какой белок входит в наживку, а какой в жертву. Еще причина ложноотрицательного ответа может быть в том, что настоящее взаимодействие белков не в контексте Y2H может быть вызвано посттрансляционными модификациями, а в Y2H этих модификаций нет.

Другой частоиспользуемый способ определения взаимодействия белков - ко-иммунопреципитация (англ. co-immunoprecipitation) с последующей масс-спектрометрией. Ко-иммунопреципитация - частный случай аффинной хроматографии. Она позволяет найти белковые комплексы, из которых можно построить интерактом (так называемые co-complex networks или co-complex connections). Метод заключается в выполнении следующего неформального алгоритма:

1. Сделать лизис клеток при помощи неионного денатуранта;
2. Добавить в результат лизиса специфические антитела, которые связываются с интересующими исследователей белками;
3. Удалить не связанные с антителами белки;
4. Остаток проанализировать при помощи масс-спектрометрии. Если связь между белками A и B есть, то при масс-спектрометрии в образец помимо связанного с антителом белка A попадет и связанный с белком A белок B;

Плюсы технологии в том, что исследуемые белки находятся в натуральной конформации во время опыта. На взаимодействие между белками опыт влияет очень слабо. Однако co-IP может не поймать слабое взаимодействие и не может отличить прямое взаимодействие от непрямого (при участии белков-посредников, чье присутствие не может быть исключено при этом методе).

Оба метода имеют высокую производительность. Комбинация "ко-иммунопреципитация + масс-спектрометрия" не имеет таких проблем с ложноположительными и ложноотрицательными срабатываниями, как Y2H, и используются в качестве золотого стандарта. Но двугибридная дрожжевая система лучше показывает неспецифические физические взаимодействия, в то время как co-IP + MS лучше демонстрируют функциональные белок-белковые взаимодействия in vivo.

Изучение интерактомов различных видов живых организмов

Вирусные интерактомы

Белковые вирусные интерактомы содержат взаимодействия между белками вирусов или фагов. Эти интерактомы были одним из первых проектов, поскольку геномы вирусов и фагов невелики и все белки могу быть проанализированы с небольшими затратами. Вирусные интерактомы связаны с интерактомами их хозяев, формируя сети взаимодействий вируса и хозяина. Некоторые опубликованные вирусные интерактомы включают:

Бактериофаги

• Escherichia coli бактериофаг лямбда
• Escherichia coli бактериофаг T7
• Streptococcus pneumoniae бактериофаг Dp-1
• Streptococcus pneumonia бактериофаг Cp-1

Вирусы человека (млекопитающих)

• Вирус ветряной оспы человека (VZV)
• Вирус Шандипуры
• Вирус Эпштейна-Барр (EBV)
• Вирус гепатита C (HPC)
• Вирус гепатита E (HEV)
• Вирус простого герпеса первого типа (HSV-1)
• Герпесвирус, ассоциированный с саркомой Капоши (KSHV)
• Цитомегаловирус мыши (mCMV)

Бактериальные интерактомы

Белок-белковые взаимодействия относительно немногих бактерий были исследованы. Однако, ни один из этих интерактомов не является полным. На самом деле, было оценено, что ни один из них не покрывает больше, чем 20-30 % всех взаимодействий в основном из-за того, что эти исследования включали один метод, который открывает только одно подмножество взаимодействий. Среди опубликованных бактериальных интерактомов представлены следующие:

Вид	Количество белков	Количество взаимодействий	метод	ссылка
Helicobacter pylori	1,553	~3,004	Y2H
Campylobacter jejuni	1,623	11,687	Y2H
Treponema pallidum	1,040	3,649	Y2H
Escherichia coli	4,288	(5,993)	AP/MS
Escherichia coli	4,288	2,234	Y2H
Mesorhizobium loti	6,752	3,121	Y2H
Mycobacterium tuberculosis	3,959	>8000	B2H
Mycoplasma genitalium	482		AP/MS
Synechocystis sp. PCC6803	3,264	3,236	Y2H
Staphylococcus aureus (MRSA)	2,656	13,219	AP/MS

Интерактомы E.coli и Mycoplasma были проанализированы с помощью афинной очистки и масс-спектрометрии полномасштабного белкового комплекса, следовательно, не так просто определить прямые взаимодействия. Остальные интерактомы исследовались с помощью двугибридной дрожжевой системы. Интерактом Mycobacterium tuberculosis был проанализирован с помощью бактериальной двугибридной дрожжевой системы.

Эукариотические интерактомы

Пока ни один интерактом эукариот не был полностью охарактеризован, более 90 % белков в дрожжах Saccharomyces cerevisiae были изучены и их взаимодействия охарактеризованы, что делает этот интерактом наиболее хорошо охарактеризованным . Виды, чьи интерактомы тоже неплохо изучены, включают:

• Schizosaccharomyces pombe
• Caenorhabditis elegans
• Drosophila melanogaster
• Homo sapiens

Математические и информатические методы изучения интерактомов

Интерактомика как приложение теории сложных сетей к биологическим задачам

Сетевая составляющая интерактомики исследует представление реальной биологической сети в виде графа. Граф G - упорядоченная пара двух множеств - вершин и пар вершин. Пара вершин из этого множества называется ребром. Подробнее про графы рассказано в статье Граф (математика), для понимания нижеизложенного материала более подробных сведений не требуется. К интерактомному графу в полной мере применим весь арсенал теории сложных сетей.

Стоит сделать следующую терминологическую ремарку:

В теории графов на данный момент существует известная путаница в терминологии. В разных работах используются разные слова для обозначения одних и тех же вещей. Таким образом, следующие наборы слов синонимичны:

• "граф" и "сеть"
• "узел", "вершина" и "точка"
• "ребро" и "связь"

Степень узла (англ. degree) - количество связей, входящих в узел и выходящих из узла. Для ориентированных графов эта характеристика распадается на две части: полустепень захода (англ. indegree) и полустепень выхода (англ. outdegree) - количество связей, входящих в узел и количество связей, выходящих из узла, соответственно.

Распределение степеней (англ. degree distribution) вершин графа описывает количество узлов (в контексте протеинового интерактома, белков), у которых есть определенное количество связей.

Некоторые сети интерактомов - безмасштабны. Это значит, что их степени имеют степенной закон распределения (англ. power law):

$P(X=x)\sim x^{-\alpha }$,

где $P(X=x)$ - вероятность найти узел со степенью x, $\alpha$ - показатель масштаба.

log-log график распределения степеней для человеческого интерактома версии HI-II-14 на основе данных проекта Human Reference Protein Interactome.

Эта зависимость отображается как прямая линия на log-log графике. В реальности идеальной прямой практически никогда не будет, а приблизительная прямая на log-log графике не является достаточным тестом на степенной закон. Существуют количественные проверки на power-law.

Самая популярная была представлена группой М. Ньюмана в 2009 году в статье "Power-law distributions in empirical data". Тест основан на статистике Колмогорова-Смирнова и интерпретируется также, как и другие тесты на основе КС-статистики: p-value больше порога являются значимыми, не наоборот. Существует реализация этого теста на степенной закон в пакете для анализа сетевых данных igraph.

С безмасштабностью связано еще одно часто наблюдаемое (в моделях и в реальности) сетевое явление - эффект Матфея, также известный как принцип предпочтительного присоединения. Суть явления в том, что у узлов сети может быть некоторые "предпочтения" на тему того, к какому узлу присоединиться, и, если предпочтения будут более-менее одинаковы для всех узлов, то наиболее предпочтительные будут получать больше связей в течение жизни сети. В итоге, "богатые станут богаче, а бедные станут беднее" - будет наблюдаться очень много узлов с малым количеством связей и очень мало узлов с большим количеством связей. Сеть с предпочтительным присоединением будет иметь степенной закон распределения степеней.

В оригинальной модели Барабаши-Альберт в качестве ранга узла для оценки предпочтительности присоединения использовались сами степени, но, как показали Дженсен и Пралат в статье "Rank-based attachment leads to power law graphs", что использовать в качестве ранга, абсолютно не важно, если есть присоединение по рангу, то рано или поздно проявится степенной закон.

Несмотря на вышесказанное, пока не известно, является ли безмасштабность обычным явлением именно в интерактомах, насколько интерактомы в этом смысле подобны социальным сетям, где безмасштабность (а точнее предпочтительное присоединение) распространена практически повсеместно. Наблюдается следующая тенденция: после более тщательной статистической перепроверки, те интерактомы, которые были признаны исследователями безмасштабными, такими не оказываются. Вопрос о распространенности безмасштабности в интерактомике на данный момент является открытым. Ситуация осложняется тем, что вообще-то ни одного полного экспериментального интерактома никто еще не собрал (на момент 01.04.2017), и как ошибка во взятии выборки влияет на оценки распределения степеней - вопрос тоже открытый.

Локальный кластерный коэффициент (англ. local clustering coefficient) узла показывает, насколько соседи узла связаны между собой, т.е. насколько подграф, состоящий из соседей узла и связей между ними близок к клике (полному подграфу). Он определен как отношение количества всех существующих связей в подграфе из соседей к количеству связей в клике, образованной из соседей:

$LCC(v)={\frac {2*n}{n\times (n-1)}}$,

где n - число соседей узла v.

Средний кластерный коэффициент (англ. average clustering coefficient) - среднее локального:

$ACC={\frac {1}{k}}\sum _{v=1}^{k}{LCC(v)}$,

где k - количество узлов в графе.

Коэффициент ассортативности (англ. assortativity coefficient) показывает, насколько похожие между собой узлы склонны соединяться между собой. Под "похожестью" имеется в виду одинаковая или близкая степень. Ассортативность определяется как корреляция Пирсона между степенями соседних вершин.

Центральность узла (англ. node centrality) описывает "важность" узла для сети, характеризует узел в зависимости от его положения относительно других узлов в сети, игнорируя внутреннюю структуру узла. Центральность - мета-характеристика, которая может пониматься по-разному в зависимости от исследуемого явления: устойчивости сети, распространения информации в сети, связности, достижимости других узлов. Соответственно, для разных аспектов центральности есть разные способы ее измерения, но все они связаны между собой и из одного часто вытекает другое. Центральность в смысле связности измеряется при помощи степени (для узла, для всей сети - распределения степеней).

Центральность по посредничеству (англ. betweenness centrality) - измеряет центральность узла в смысле его способности быть посредником между другими узлами.

Математически определена как отношение количества кратчайших путей между всеми парами узлов, проходящих через этот узел ($\sigma _{st}(v)$), к количеству всех возможных кратчайших путей между парами узлов в этой сети ($\sigma _{st}$):

$B(v)=\sum _{s\neq v\neq t}{\frac {\sigma _{st}(v)}{\sigma _{st}}}$

Betweenness характеризует устойчивость сети к атакам (целенаправленному удалению узлов по некоторому заранее определенному правилу) и отказам (удалению узлов случайным образом).

Центральность по близости (англ. closeness centrality) - измеряет центральность узла в смысле удобства перехода к другим узлам из него. Математически определена как отношение количества узлов, исключая рассматриваемый узел u и суммы длинн кратчайших путей от узла u ко всем остальным узлам:

$C(u)={\frac {n-1}{\sum _{v=1}^{n-1}d(v,u)}}$,

где d - длина кратчайшего пути между узлами u и v, а k - количество всех узлов в сети.

Пэйдж-ранк (англ. PageRank) - мера важности узла для распространения информации в сети. Основана на случайном блуждании по связям. Неформально, пэйдж-ранк может быть описан следующим образом:

1. Исполнитель алгоритма начинает на случайном узле;
2. Он движется по исходящим связям, переходя на связанные узлы;
3. Если он попадает в узел, в котором уже был, то увеличивает его значение важности в зависимости от важности узла, из которого он пришел;
4. На каждом шаге алгоритма есть некоторая вероятность того, что исполнитель перейдет на случайный узел в графе. Эта вероятность является задаваемым пользователем параметром алгоритма;
5. Алгоритм выполняется до тех пор, пока не пройдено заранее заданное количество итераций.

Получаемое в итоге число будет выше для тех узлов, которые встречались исполнителю в течение его пути по графу чаще, то есть для тех узлов, у которых больше всего входящих связей и оно свидетельствует о том, насколько часто этот узел был предыдущим в ходе потока информации по графу.

Коэффициент авторитетности (англ. HITS authority) и хаб-коэффициент (англ. HITS hub), находимые при помощи алгоритма HITS показывают степень популярности узла в контексте количества входящих связей и связанность с авторитетными узлами соответственно. Эти две характеристики вычисляются одновременно и рекурсивно, и, как и пэйдж-ранк, являются мерами важности узла для распространения информации в сети.

Белковый интерактом Treponema pallidum.

Хаб - узел с большим количеством связей. Хабы, объединяющие белки по функциональным модулям, такие как белковые комплексы, называются «party hub». с другой стороны, «date hub» не имеет такой корреляции и соединяют различные функциональные модули. Party hubs находятся преимущественно в наборах данных, полученных в AO/МС, в то время как date hubs находятся в основном в бинарных картах сетей интерактома . Party hub в основном состоит из белков с несколькими поверхностями взаимодействий, тогда как date hub обычно представлен белками с одной поверхностью взаимодействия. В дрожжах количество бинарных взаимодействий определенного белка коррелирует с числом фенотипов, наблюдаемых при различных мутациях и физиологических условиях.

Важной задачей теории сложных сетей является поиск сообществ в сети. Если в социальной сети "сообщества" (англ. community) являются сообществами людей, то в контексте интерактомов "сообщества" - это группы взаимодействующих белков или геном, которые могут составлять метаболический путь или регуляционную подсистему. Это применение является ключевым для интерактомики как для части предсказательной медицины, потому что многие болезни вызываются значительными нарушениями функционирования клеток, которые возможно обнаружить при помощи определения той части интерактома, которая начинает работать неправильно.

В этом направлении наблюдается прогресс, отдельно стоит отметить такие работы, как DIAMOnD - алгоритм определения болезненного модуля, основанный на систематическом анализе паттернов связей белков, участвующих в болезни, внутри человеческого интерактома. Авторы, группа под руководством одного из "отцов" теории сложных сетей Ласло Барабаши, проанализировали белковые данные о 70 болезнях и обнаружили, что белки, участвующие в развитии болезней, действительно группируются в специфических для каждой болезни частях интерактома - болезненных модулях (англ. disease modules) и предложили алгоритм поиска таких модулей.

Помимо составления интерактомов из экспериментальных данных, возможно также предсказание связей в интерактомах in silico. Задачу предсказания связи можно поставить как задачу бинарной классификации. Связь в интерактоме может относиться к одному из двух классов:

• Существующая связь (1)
• Отсутствующая связь (0)

Затем, при помощи информации о свойствах каждого из связанных генов или белков и методов машинного обучения можно определить для каждой связи, к какому классу она относится. Полученные связи можно взвесить, добавив информацию о вероятности существования такой связи, как это делается, например в нижеописанном проекте PIPs, использующем наивный Байесовский классификатор.

Одна из нерешенных на данный момент проблем предсказания связей состоит в присутствии шума в данных, на которых обучается классификатор. Вышеописанные экспериментальные методы вносят свои ложноположительные и ложноотрицательные результаты, что может добавить систематическую ошибку в классификатор. Это можно поправить, например, при помощи детекции аномалий, как предлагают Сингх и Виг в своей работе "Improved prediction of missing protein interactome links via anomality detection". Однако, проблема неточности экспериментальных методов все еще сохраняется.

Валидация интерактомов

Прежде чем использовать собранный интерактом для анализа, следует проверить его на наличие ошибок. Если интерактом получен экспериментальным путем, то обязательно присутствует ошибка эксперимента, а если in silico, то ошибка алгоритма предсказания. Ошибка высокопроизводительных экспериментальных методов вроде yeast two-hybrid, по разным оценкам, составляет где-то между 25% и 50%.

Для контроля качества используются, в основном следующие методы:

1. Использование предыдущих публикаций интерактомных данных в качестве референса;
2. Сопоставление связей, имеющих различную природу. Если белки взаимодействуют (бинарно, как обнаруживает Y2H), то они, возможно, находятся в одном месте в клетке, соответствующие гены коэкспрессируются, а при проведении нокаутных опытов, наблюдаемые фенотипы должны быть похожи. Соответственно, наблюдение этих событий должно увеличивать оценку вероятности взаимодействия изучаемых генов;
3. Предсказанные in silico связи могут быть валидизированы при помощи экспериментов.

В интерактомике (при валидации, при применении в поиске причин заболеваний и т.д.) встречается важная задача выравнивания графов (англ. graph alighment). Суть задачи в отображении одного графа на другой таким образом, чтобы графы были как можно более "похожи". Трудности начинаются уже на этапе определения степени "похожести" двух графов. Поскольку можно по-разному определить, что значит похожесть графов, то для выравнивания графов тоже может быть несколько разных определений, но они будут отличаться в принципе только разными определениями похожести и постановка задачи выравнивания графов выглядит примерно следующим образом:

Даны два графа $G_{1}(V_{1},E_{1})$ и $G_{2}(V_{2},E_{2})$. Задана функционал качества выравнивания $Q(G_{1},G_{1},f)$ Требуется найти функцию выравнивания $f:V_{1}\rightarrow V_{2}$, которая максимизирует функционал качества.

Существует развитое решение именно для задач интерактомики - NetAligner, разрабатываемое Institute for Research in Biomedicine Barcelona. NetAligner предоставляет исследователям следующие возможности для видов Homo sapiens, Mus muscusus, Drosophila melanogaster, Arabidopsis thaliana, Saccharomyces Cerevisiae, Escherichia coli и Caenorhabditis elegans:

• Выравнивание белкового комплекса на интерактом;
• Выравнивание метаболического пути на интерактом;
• Выравнивание интерактома на интерактом;

Базы интерактомных данных

Существует множество баз интерактомных данных, и существующие базы могут быть классифицированы по-разному.

Базы интерактомных данных можно разделить на:

1. По способу получения данных: экспериментальные (литературно-курируемые (англ. literature-curated) и высокопроизводительные (англ. high-throughput )), предсказание in silico, метаагрегация;
2. По исследуемому виду (видам);
3. По типу связи: прямая бинарная связь (есть или нет прямого физического взаимодействия), небинарные связи возможно без прямого физического взаимодействия, получаемые ко-комплексными (англ. co-complex) методами вроде ко-иммунопреципитации, совмещенной с масс-спектрометрией, разные наборы сетей (для метаагрегаторов), бинарная связь, предсказываемая in silico.

Название базы	Краткое описание базы	Виды	Тип сети	Организация	Статус
Human Reference Protein Interactome Project	Проект референского интерактома человека	Homo sapiens	Бинарная, получаемая при помощи yeast two-hybrid.	Center for Cancer Systems Biology	Активна, продолжаются эксперименты по получению новой версии человеческого протеинового интерактома (HI-III), что должно составить примерно 77% от всего пространства поиска
Molecular Interaction Database (MINT)	Агрегатор литературно-курируемых экспериментальных данных о разных организмах	На момент 01.04.2017 611 видов	co-complex и бинарная	Molecular Genetics Laboratory, University of Rome, "Tor Vergata"	Активна
Database of Interacting Proteins	Агрегатор литературно-курируемых экспериментальных данных о разных организмах	Escherichia coli Rattus norvegicus Homo sapiensSaccharomyces cerevisiae Mus musculus Drosophila melanogaster Helicobacter pylori	Разные виды связей (co-complex, бинарная)	University of California, Los Angeles	Не доступна (дата доступа 01.04.2017)
Biological Interaction Network Databank (или Database)	Агрегатор литературно-курируемых экспериментальных данных о разных организмах	Homo sapiens Saccharomyces cerevisiae Mus musculus Helicobacter pylori	Разные виды связей	amuel Lunenfeld Research Institute at Mount Sinai Hospital, Toronto	Не доступна из-за проблем с финансированием
GeneMANIA	Сервис для предсказания функций генов in silico на основе агрегированных данных из других баз	На момент 01.04.2017 9 видов	Разные виды связей	University of Toronto	Активна
High-quality interactomes (HINT)	Курируемый агрегатор экспериментальных данных	На момент 01.04.2017 12 видов	Разные виды связей	Yu Lab, Cornell University	Активна, обновляется каждый день
IntAct Molecular Interaction Database	Курируемый агрегатор экспериментальных данных	На момент 01.04.2017 7 основных видов	Разные виды связей	Cambridge	Активна
Biological General Repository for Interaction Datasets (BioGRID)	Курируемый агрегатор экспериментальных и предсказанных in silico данных	Список видов указан на	Разные виды связей	Princeton, Mount Sinai Hospital, University of Edinburgh, University of Montreal	Активна
Integrated Network Database (IntNetDB)	Предсказанная in silico сеть	Homo sapiens	Бинарная in silico	hanlab.genetics.ac.cn	Не доступна (дата доступа 01.04.2017)
The Drosophila Interactions Database (DroID)	Курируемый агрегатор данных об интерактоме дрозофилы, как и экспериментальных, так и предсказанных in silico	Drosophila melanogaster	Разные виды связей (в том числе предсказанные in silico)	Wayne State University School of Medicine	Активна
The Arabidopsis Infrormation Resource (TAIR)	База всех биологических данных по резуховидке Таля, включая неинтерактомные (просеквенированный геном, генные карты и т.д.)	Arabidopsis thaliana	Разные виды связей (в том числе предсказанные in silico)	Phoenix Bioinformatics Corporation	Активна
Human Protein-Protein Interaction Prediction (PIPs)	База данных человеческих протеиновых связей, предсказанных in silico	Homo sapiens	Предсказанные in silico при помощи наивного Байесовского классификатора	University of Dundee	Активна
Predicted Rice Interactome Network (PRIN)	База данных предсказанных in silico белок-белковых взаимодействий риса	Oryza sativa	Предсказанные in silico на основе интерологов	Zhejiang University	Активна

Открытые проблемы интерактомики

Kiemer и Cesareni подняли следующую проблему: экспериментальные методы изучения интерактомов склонны к ошибкам, приводящим к тому, что 30% всех найденных взаимодействий на самом деле являются артефактами (две группы исследователей, использующие одинаковый метод на одном организме находят только 30% одинаковых взаимодействий). Также методы могут быть предвзятыми, т.е от используемого метода зависит какие именно взаимодействия будут найдены. Это связано с индивидуальными свойствами белков, например, большинство методов, которые хорошо работают с растворимыми белками не подходят для исследования мембранных белков. Это также верно для двугибридной дрожжевой системы и афинной хроматографии/масс-спектрометрии.

На самом деле, большинство интерактомов не полные, за исключением S. cerevisiae. Но такое замечание не совсем корректно, поскольку никакая научная область не является достаточно полной, пока не усовершенствованы методики. Интерактомика в 2015 году находится на той же стадии, на которой геномное секвенирование находилось в 1990-х.

Интерактомы могут различаться в разных тканях, типах клеток и стадиях развития, пока геномы остаются стабильными. В то время как гомологичные последовательности ДНК можно найти достаточно легко, гомологичные взаимодействия предсказать трудно, поскольку гомологи двух взаимодействующих белков не обязаны взаимодействовать.