Интерактом: различия между версиями

[непроверенная версия]

Содержимое удалено Содержимое добавлено

Линейный

Версия от 20:56, 7 апреля 2018

Интерактом (англ. Interactome) — термин молекулярной биологии, обозначающий (полный) набор взаимодействий в отдельной клетке. Интерактом включает как непосредственные физические контакты между белками (белок-белковые взаимодействия), так и непрямые взаимодействия генов (например, эпистаз).

Слово «интерактом» было изначально придумано в 1999 году группой французских ученых во главе с Бернардом Жаком^[1]. С математической точки зрения, интерактомы чаще всего представляются как графы. 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^[2]. Таким образом, целью интерактомики является сравнение сетей взаимодействий (т.е интерактомов) у различных видов или внутри одно вида, для того чтобы узнать, какие черты таких сетей сохранились или изменились. Интерактомику можно рассматривать как пример подхода "сверху вниз" в системной биологии, который 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^[3].

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^[5]^[6] также 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 генами-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.

Высказывалось предположение, что размер интерактома организма коррелирует с биологической сложностью организма лучше, чем размер генома^[7]. 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.

Интерактом дрожжей Saccharomyces cerevisiae, включающий все белок-белковые взаимодействия, по оценкам содержит между 10 и 30 тысячами взаимодействий. Наиболее правдоподобной кажется оценка порядка 20 тысяч взаимодействий. Обычно завышенные оценки получаются при рассмотрении непрямых или предсказанных взаимодействий, часто при использовании комбинации методов аффинной хроматографии и масс-спектрометрии^[8].

Гены взаимодействуют таким образом, что они влияют на функции друг друга. Например, одиночная мутация может быть безвредна, однако при сочетании с другой мутацией их комбинация может оказаться летальной. О таких генах говорят, что они «генетически взаимодействуют». Гены, связанные таким образом, формируют сети генетических взаимодействий. Цели изучения этих сетей включают развитие функциональных карт процессов в клетке, идентификацию мишеней лекарств и предсказание функций неохарактеризованных генов.

В 2010 году наиболее полный из существующих на тот момент интерактомов генетических взаимодействий для дрожжей был основан на 5.4 млн попарных сравнений генов, описывал взаимодействие 75% всех генов и включал около 170 тысяч взаимодействий. Эти гены были сгруппированы на основе схожести функций для построения функциональной карты клеточных процессов. С помощью этого метода стало возможным предсказание известных генетических функций лучше, чем при помощи любых других геномных данных, а также добавление функциональной информации о ранее не описанных генах. Из этой модели генетические взаимодействия могут рассматриваться на разных уровнях, что поможет в изучении консервативности генов. В ходе исследования было замечено, что отрицательных взаимодействий вдвое больше, чем положительных, и они более информативны. Более того, гены с большим количеством взаимодействий в случае повреждения с большей веротяностью приведут к летальному исходу^[9].

Экспериментальные методы создания интерактомов

Основной элемент белковой сети — белок-белковое взаимодействие. В то время как существует множество методов исследования белок-белковых взаимодействий, только немногие из них применяются при создании интерактомов.

Дрожжевая двугибридная система^[10] 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 ДНК-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 белки A и B взаимодействуют, то из двух фрагментов собирается функциональный активатор транскрипции, который запускает транскрипцию репортерного гена (например, вырабатывающего некий флуоресцентный белок), иначе репортерный ген не транскрибируется и сигнал не наблюдается.

Плюсы метода в том, что он достаточно прост, не требует специального оборудования и может применяться для целых библиотек, что делает дрожжевую двугибридную систему подходом, используемым по умолчанию для построения интерактомов.

Однако дрожжевая двугибридная система зачастую дает ложноположительные и ложноотрицательные результаты:

Ложноположительные срабатывания могут иметь разную природу и зависят от типа системы. 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 ложноположительность может быть вызвана взаимодействием жертвы с репортерным белком. Некорректно свернутые белки также могут участвовать в нестандартных взаимодействиях.

Ложноотрицательные срабатывания также могут объясняться несколькими причинами. В классической системе с Gal4 сложно обнаружить взаимодействия мембранных белков. Также связь между двумя белками может быть несимметрична, и результат эксперимента будет зависеть от того, какой белок входит в наживку, а какой в жертву. Еще одной причиной ложноотрицательного ответа может быть тот факт, что настоящее взаимодействие белков не в контексте дрожжевой двугибридной системы может быть вызвано посттрансляционными модификациями, а в условиях эксперимента этих модификаций нет.

Другой частоиспользуемый способ определения взаимодействия белков - ко-иммунопреципитация^[11] (англ. co-immunoprecipitation) с последующей масс-спектрометрией. Ко-иммунопреципитация - частный случай аффинной хроматографии. Она позволяет определить белковые комплексы, из которых можно построить интерактом (так называемые co-complex networks или co-complex connections). Метод заключается в выполнении следующего неформального алгоритма^[12]:

Сделать лизис клеток при помощи неионного денатуранта;
Добавить в лизат специфические антитела, которые связываются с интересующими исследователей белками;
Удалить не связанные с антителами белки;
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 естественной конформации во время опыта, и в ходе эксперимента взаимодействие между белками не должно нарушаться. Однако ко-иммунопреципитация может не детектировать слабое взаимодействие или отличить прямое взаимодействие от непрямого (при участии белков-посредников, чье присутствие не может быть исключено в этом методе).

Оба метода могут использоваться в высокопроизводительных экспериментах. Комбинация "ко-иммунопреципитация + масс-спектрометрия" не имеет таких проблем с ложноположительными и ложноотрицательными срабатываниями, как дрожжевая двугибридная система, и используются в качестве золотого стандарта. В целом, двугибридная дрожжевая система лучше показывает неспецифические физические взаимодействия, в то время как метод ко-иммунопреципитации с масс-спектрометрией лучше детектирует функциональные белок-белковые взаимодействия in vivo.^[13]^[14]

Изучение интерактомов различных видов живых организмов

Вирусные интерактомы

Белковые вирусные интерактомы содержат взаимодействия между белками вирусов или фагов. Эти интерактомы изучались одними из первых, 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^[15]. Некоторые опубликованные вирусные интерактомы включают:

Бактериофаги

Escherichia coli бактериофаг лямбда^[16];
Escherichia coli бактериофаг T7^[англ.]^[17];
Streptococcus pneumoniae бактериофаг Dp-1^[18];
Streptococcus pneumonia бактериофаг Cp-1^[19].

Вирусы человека (млекопитающих)

Вирус ветряной оспы человека (VZV)^[20];
Вирус Шандипуры^[англ.]^[21];
Вирус Эпштейна-Барр (EBV)^[22];
Вирус гепатита C (HPC)^[23];
Вирус гепатита E^[англ.] (HEV)^[24];
Вирус простого герпеса первого типа (HSV-1)^[22];
Герпесвирус, ассоциированный с саркомой Капоши^?! (KSHV)^[22];
Цитомегаловирус мыши (mCMV)^[22].

Бактериальные интерактомы

Лишь для немногих бактерий были проведены исследования белок-белковых взаимодействий, однако ни один из полученных бактериальных интерактомов не является полным. На самом деле, по оценкам, ни один из них не покрывает больше, чем 20-30% всех взаимодействий, в основном из-за того, что проведенные исследования включали только один метод, позволяющий детектировать лишь некоторое подмножество всех взаимодействий. Среди опубликованных бактериальных интерактомов, включая неполные, представлены следующие:

Вид	Количество белков	Количество взаимодействий	метод	ссылка
Helicobacter pylori	1,553	~3,004	Y2H	^[25]^[26]
Campylobacter jejuni^[англ.]	1,623	11,687	Y2H	^[27]
Treponema pallidum	1,040	3,649	Y2H	^[28]
Escherichia coli	4,288	(5,993)	AP/MS	^[29]
Escherichia coli	4,288	2,234	Y2H	^[30]
Mesorhizobium loti^[англ.]	6,752	3,121	Y2H	^[31]
Mycobacterium tuberculosis	3,959	>8000	B2H	^[32]
Mycoplasma genitalium	482		AP/MS	^[33]
Synechocystis^[англ.] sp. PCC6803	3,264	3,236	Y2H	^[34]
Staphylococcus aureus (MRSA)	2,656	13,219	AP/MS	^[35]

Интерактомы E.coli и Mycoplasma были проанализированы с помощью крупномасштабной аффинной очистки и масс-спектрометрии белкового комплекса, следовательно, не так просто определить, какие из взаимодействий в дествительности прямые. Остальные интерактомы исследовались с помощью двугибридной дрожжевой системы. Интерактом Mycobacterium tuberculosis был проанализирован с помощью бактериального аналога двугибридной дрожжевой системы.

Некоторые интерактомы были предсказаны с использованием вычислительных методов.

Эукариотические интерактомы

Пока ни один интерактом эукариот не был полностью описан. Наиболее охарактеризованным является интерактом дрожжей Saccharomyces cerevisiae, для построения которого было исследовано более 90% белков и их взаимодействий^[36]^[37]^[38] . Виды, чьи интерактомы относительно хорошо изучены, включают:

Интерактом для человека часто включается в построение сетей взаимодействий вируса и хозяина, таких как интерактомы гепатит C/человек (2008)^[41], вирус Эпштейна — Барр/человек (2008) и вирус гриппа/человек (2009). Исследование таких интерактомов позволяет детектировать молекулярные компоненты, необходимые для реализации патогена в организме хозяина и для возникновения иммунного ответа^[42].

Предсказанные интерактомы

Как уже было описано, белок-белковые взаимодействия могут быть предсказаны. Несмотря на то, что надежность таких предсказаний остается спорной, из полученных интерактомов можно извлечь некоторые закономерности и проверить их экспериментально. Для некоторых видов были получены предсказанные интерактомы, в том числе:

Математические 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^[51]. 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^[52] (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^[52] (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.

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"^[54]. 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^[55].

С безмасштабностью связано еще одно часто наблюдаемое (в моделях и в реальности) сетевое явление - эффект Матфея, также известный как принцип предпочтительного присоединения^[52]. 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"^[56], 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^[57]. Вопрос о распространенности безмасштабности в интерактомике на данный момент является открытым^[58]. 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^[52] (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^[52] (англ. average clustering coefficient) — среднее локального:

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

где k - количество узлов в графе.

Коэффициент ассортативности^[52] (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^[59] (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^[60] (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^[61] сети к атакам (целенаправленному удалению узлов по некоторому заранее определенному правилу) и отказам (удалению узлов случайным образом).

Центральность по близости^[62] (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^[63] (англ. PageRank) — мера важности узла для распространения информации в сети. Основана на случайном блуждании по связям. Неформально, пэйдж-ранк может быть описан следующим образом:

Исполнитель алгоритма начинает на случайном узле;
Он движется по исходящим связям, переходя на связанные узлы;
Если он попадает в узел, в котором уже был, то увеличивает его значение важности в зависимости от важности узла, из которого он пришел;
На каждом шаге алгоритма есть некоторая вероятность того, что исполнитель перейдет на случайный узел в графе. Эта вероятность является задаваемым пользователем параметром алгоритма;
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.

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^[64] . Party hub в основном состоит из белков с несколькими поверхностями взаимодействий, тогда как date hub обычно представлен белками с одной поверхностью взаимодействия^[65]. В дрожжах количество бинарных взаимодействий определенного белка коррелирует с числом фенотипов, наблюдаемых при различных мутациях и физиологических условиях^[64].

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^[66], 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^[67] - 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.

Предсказание белок-белковых взаимодействий

Помимо составления интерактомов из экспериментальных данных, возможно также предсказание связей в интерактомах in silico. Задачу предсказания связи можно поставить как задачу бинарной классификации^[68]. 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. Некоторые из используемых характеристик - колокализация белков-кандидатов в клетке, ко-экспрессия их генов, близость генов в геноме и т.д.^[69]^[70] Одним из успешных методов в такого рода алгоритмах оказался случайный лес (Random forest)^[71]. Полученные связи можно взвесить, добавив информацию о вероятности существования такой связи, как это делается, например в нижеописанном проекте PIPs^[72], использующем наивный Байесовский классификатор. Методы машинного обучения применялись для предсказания взаимодействий в интерактоме человека, в частности, в интерактоме мембранных белков^[70] или белков, ассоциированных с шизофренией^[69].

На основании экспериментальных данных, связи в интерактомах также можно предсказывать с помощью переноса по гомологии. К примеру, если известны белок-белковые взаимодействия для некоторого организма, можно предположить наличие взаимодействий между гомологичными белками в другом организме. Однако у данного подхода есть определенные ограничения, в основном из-за ненадежности исходных данных, которые могут содержать ложноположительные или ложноотрицательные результаты^[73]. К тому же, белки и взаимодействия между ними могут изменяться в ходе эволюции, поэтому некоторые контакты исчезают или, наоборот, возникают. Несмотря на это, с помощью такого подхода было предсказано множество итерактомов, например, для Bacillus licheniformis.^[74]

Некоторые алгоритмы используют экспериментальные данные о структурных комплексах и атомную структуру поверхностей связывания во взаимодействующих белках, чтобы создать детализированные атомарные модели белок-белковых комплексов^[75]^[76] и комплексов белков с другими молекулами^[77]^[78].

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"^[79]. Однако проблема неточности экспериментальных методов все еще сохраняется.

Интеллектуальный анализ текстов

Интеллектуальный анализ текста (text mining) также пытаются использовать для того, чтобы получать информацию о молекулярных взаимодействиях непосредственно из научной литературы. Такие методы ранжируются от простых алгоритмов, статистически оценивающих вероятность совместного нахождения (в данном случае, взаимодействия) молекул, упомянутых в одинаковом текстовом контексте (например, в одном предложении), до более сложных методов обработки естественного языка и машинного обучения для поиска взаимодействий ^[80].

Предсказание функций белков

Сети белковых взаимодействий используются для предсказания функции белков^[36]^[81]. Предполагается, что неохарактеризованные белки имеют сходные функции с взаимодействующими с ними белками. Например, YbeB, считавшийся белком с неизвестной функцией, по интерактому взаимодействует с рибосомальными белками и, как было показано позже, участвует в процессе трансляции^[82]. Хотя такие предсказания функции могут быть основаны и на одиночном взаимодействии с некоторым белком, обычно имеется информация о нескольких контактах с разными белками. Таким образом, вся сеть взаимодействий может быть использована для предсказания функций белков^[36].

Анализ нарушений и заболеваний

По топологии интерактома можно делать предположения о том, как сеть взаимодействий будет изменяться при нарушении (например, удалении) одного из узлов (белков) или ребер (белковых взаимодействий)^[83]. Такие нарушения могут вызываться мутациями в соответствующих генах, а полученная сеть взаимодействий будет отражать некоторое заболевание^[84]. Анализ такой сети может помочь в поиске мишеней лекарств или биомаркеров заболеваний^[85].

Структура и топология сети

Сети взаимодействий можно анализировать методами теории графов. Параметры сети включают распределение степеней вершин, коэффициенты кластеризации, центральность по посредничеству и другие. Распределение параметров среди белков интерактома показало, что сети взаимодействий часто имеют безмасштабную топологию^[86], а функциональные модули внутри сети отражают специализированные подсети^[87]. Такие модули могут быть функциональными, как, например, сигнальные пути, или же структурными, образуя белковый комплекс.

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 дрожжевой двугибридной системы, по разным оценкам^[88], составляет где-то между 25% и 50%.

Для контроля качества в основном применяются следующие методы^[88]:

Использование предыдущих публикаций интерактомных данных в качестве референса;
Сопоставление связей, имеющих различную природу. Если белки взаимодействуют (бинарно, как обнаруживает дрожжевая двугибридная система), 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;
Предсказанные in silico связи могут быть проверены при помощи экспериментов.

Задача выравнивания графов

В интерактомике (при валидации, при применении для поиска 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^[89]:

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^[90], разрабатываемое Institute for Research in Biomedicine Barcelona^[91]. 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^[92]:

По способу получения данных: экспериментальные (литературно-курируемые (англ. literature-curated) и высокопроизводительные (англ. high-throughput )), предсказание in silico, метаагрегация;
По исследуемому виду (видам);
По типу связи: прямая бинарная связь (есть или нет прямого физического взаимодействия), небинарные связи возможно без прямого физического взаимодействия^[93], получаемые ко-комплексными (англ. co-complex) методами вроде ко-иммунопреципитации^[94], 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^[95]	Проект референского интерактома человека	Homo sapiens	Бинарная, получаемая при помощи yeast two-hybrid.	Center for Cancer Systems Biology^[96]	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)^[97]	Агрегатор литературно-курируемых экспериментальных данных о разных организмах	На момент 01.04.2017 611 видов^[98]	co-complex и бинарная	Molecular Genetics Laboratory, University of Rome, "Tor Vergata"^[99]	Активна
Database of Interacting Proteins^[100]	Агрегатор литературно-курируемых экспериментальных данных о разных организмах	Escherichia coli Rattus norvegicus Homo sapiens Saccharomyces cerevisiae Mus musculus Drosophila melanogaster Helicobacter pylori^[92]	Разные виды связей (co-complex, бинарная)	University of California, Los Angeles	Не доступна (дата доступа 01.04.2017)
Biological Interaction Network Databank (или Database)^[101]	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^[102]	Не доступна из-за проблем с финансированием^[103]
GeneMANIA^[104]	Сервис для предсказания функций генов in silico на основе агрегированных данных из других баз	На момент 01.04.2017 9 видов^[104]	Разные виды связей	University of Toronto^[105]	Активна
High-quality interactomes (HINT)^[106]	Курируемый агрегатор экспериментальных данных	На момент 01.04.2017 12 видов	Разные виды связей	Yu Lab, Cornell University^[107]	Активна, обновляется каждый день
IntAct Molecular Interaction Database^[108]	Курируемый агрегатор экспериментальных данных	На момент 01.04.2017 7 основных видов^[109]	Разные виды связей	Cambridge^[110]	Активна
Biological General Repository for Interaction Datasets (BioGRID)^[111]	Курируемый агрегатор экспериментальных и предсказанных in silico данных	Список видов указан на ^[112]	Разные виды связей	Princeton, Mount Sinai Hospital, University of Edinburgh, University of Montreal^[113]	Активна
Integrated Network Database (IntNetDB)^[114]	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)^[115]	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^[116]	Активна
The Arabidopsis Infrormation Resource (TAIR)^[117]	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^[118]	Активна
Human Protein-Protein Interaction Prediction (PIPs)^[72]	База данных человеческих протеиновых связей, предсказанных in silico	Homo sapiens	Предсказанные in silico при помощи наивного Байесовского классификатора	University of Dundee^[119]	Активна
Predicted Rice Interactome Network (PRIN)^[120]	База данных предсказанных in silico белок-белковых взаимодействий риса	Oryza sativa	Предсказанные in silico на основе интерологов	Zhejiang University^[121]	Активна

Открытые проблемы интерактомики

Kiemer и Cesareni ^[2] 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.

Примечания

↑ Sanchez C; Lachaize C; Janody F; et al. (January 1999). "Grasping at molecular interactions and genetic networks in Drosophila melanogaster using FlyNets, an Internet database". Nucleic Acids Res. 27 (1): 89—94. doi:10.1093/nar/27.1.89. PMC 148104. PMID 9847149. {{cite journal}}: Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)
↑ ¹ ² Kiemer, L; G Cesareni (2007). "Comparative interactomics: comparing apples and pears?". TRENDS in Biotechnology. 25 (10): 448—454. doi:10.1016/j.tibtech.2007.08.002. PMID 17825444.
↑ Bruggeman, F J; H V Westerhoff (2006). "The nature of systems biology". TRENDS in Microbiology. 15 (1): 45—50. doi:10.1016/j.tim.2006.11.003. PMID 17113776.
↑ Hennah W, Porteous D (2009). Reif, Andreas (ed.). "The DISC1 pathway modulates expression of neurodevelopmental, synaptogenic and sensory perception genes". PLoS ONE. 4 (3): e4906. doi:10.1371/journal.pone.0004906. PMC 2654149. PMID 19300510.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Sharma, Ankush; Gautam VK; Costantini S; Paladino A; Colonna G (Feb 2012). "Interactomic and pharmacological insights on human Sirt-1". Front. Pharmacol. 3: 40. doi:10.3389/fphar.2012.00040. PMC 3311038. PMID 22470339.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Sharma, Ankush; Costantini S; Colonna G (March 2013). "The protein-protein interaction network of human Sirtuin family". arXiv:1302.6423v2. PMID 23811471. {{cite journal}}: Cite journal требует |journal= (справка)
↑ Stumpf MP; Thorne T; de Silva E; et al. (May 2008). "Estimating the size of the human interactome". Proc. Natl. Acad. Sci. U.S.A. 105 (19): 6959—64. doi:10.1073/pnas.0708078105. PMC 2383957. PMID 18474861. {{cite journal}}: Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)
↑ ¹ ² Uetz P. & Grigoriev A. (2005) The yeast interactome. In Jorde, L.B., Little, P.F.R., Dunn, M.J. and Subramaniam, S. (Eds), Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics. John Wiley & Sons Ltd: Chichester, Volume 5, pp. 2033—2051
↑ Costanzo M; Baryshnikova A; Bellay J (2010-01-22). "The genetic landscape of a cell". Science. 327 (5964): 425—431. doi:10.1126/science.1180823. PMID 20093466. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка); Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)
↑ Anna Brückner, Cécile Polge, Nicolas Lentze, Daniel Auerbach, Uwe Schlattner. Yeast Two-Hybrid, a Powerful Tool for Systems Biology (англ.) // International Journal of Molecular Sciences. — 2009-06-18. — Vol. 10, iss. 6. — P. 2763–2788. — doi:10.3390/ijms10062763.
↑ Choogon Lee. Coimmunoprecipitation assay // Methods in Molecular Biology (Clifton, N.J.). — 2007-01-01. — Т. 362. — С. 401–406. — ISSN 1064-3745. — doi:10.1007/978-1-59745-257-1_31.
↑ Co-Immunoprecipitation (Co-IP) (неопр.). www.profacgen.com. Дата обращения: 1 апреля 2017.
↑ Brettner, Leandra M.; Joanna Masel (2012). "Protein stickiness, rather than number of functional protein-protein interactions, predicts expression noise and plasticity in yeast". BMC Systems Biology. 6: 128. doi:10.1186/1752-0509-6-128. PMC 3527306. PMID 23017156.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Mukherjee, K; Slawson; Christmann; Griffith (June 2014). "Neuron-specific protein interactions of Drosophila CASK-ß are revealed by mass spectrometry". Front. Mol. Neurosci. 7: 58. doi:10.3389/fnmol.2014.00058. PMC 4075472. PMID 25071438. {{cite journal}}: Шаблон цитирования имеет пустые неизвестные параметры: |laydate=, |laysource=, and |laysummary= (справка)Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Navratil V.; De Chassey, B.; Meyniel, L.; Delmotte, S.; Gautier, C.; Andre, P.; Lotteau, V.; Rabourdin-Combe, C. (2009). "VirHostNet: a knowledge base for the management and the analysis of proteome-wide virus-host interaction networks". Nucleic Acids Res. 37 (Database issue): D661—8. doi:10.1093/nar/gkn794. PMC 2686459. PMID 18984613. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)
↑ Rajagopala SV.; Casjens, Sherwood; Uetz, Peter (2011). "The protein interaction map of bacteriophage lambda". BMC Microbiol. 11: 213. doi:10.1186/1471-2180-11-213. PMC 3224144. PMID 21943085. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Bartel PL, Roecklein JA, SenGupta D, Fields S (1996). "A protein linkage map of Escherichia coli bacteriophage T7". Nat. Genet. 12 (1): 72—7. doi:10.1038/ng0196-72. PMID 8528255.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)
↑ Sabri M.; Hauser, R.; Ouellette, M.; Liu, J.; Dehbi, M.; Moeck, G.; Garcia, E.; Titz, B.; Uetz, P. (2011). "Genome annotation and intraviral interactome for the Streptococcus pneumoniae virulent phage Dp-1". J. Bact. 193 (2): 551—62. doi:10.1128/JB.01117-10. PMC 3019816. PMID 21097633. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)
↑ Häuser R.; Sabri, M.; Moineau, S.; Uetz, P. (2011). "The proteome and interactome of Streptococcus pneumoniae phage Cp-1". J. Bact. 193 (12): 3135—8. doi:10.1128/JB.01481-10. PMC 3133188. PMID 21515781. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)
↑ Stellberger, T.; et al. (2010). "Improving the yeast two-hybrid system with permutated fusions proteins: the Varicella Zoster Virus interactome". Proteome Sci. 8: 8. doi:10.1186/1477-5956-8-8. PMC 2832230. PMID 20205919.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Kumar K, Rana J, Sreejith R, Gabrani R, Sharma SK, Gupta A, Chaudhary VK, Gupta S (2012). "Intraviral protein interactions of Chandipura virus". Archives of Virology. 157 (10): 1949—1957. doi:10.1007/s00705-012-1389-5. PMID 22763614.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)
↑ ¹ ² ³ ⁴ Fossum, E; et al. (2009). Sun, Ren (ed.). "Evolutionarily conserved herpesviral protein interaction networks". PLoS Pathog. 5 (9): e1000570. doi:10.1371/journal.ppat.1000570. PMC 2731838. PMID 19730696.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Hagen N, Bayer K, Rösch K, Schindler M (2014). "The intra viral protein interaction network of hepatitis C virus". Molecular & Cellular Proteomics. 13 (7): 1676—89. doi:10.1074/mcp.M113.036301. PMID 24797426.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка) Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Osterman A, Stellberger T, Gebhardt A, Kurz M, Friedel CC, Uetz P, Nitschko H, Baiker A, Vizoso-Pinto MG (2015). "The Hepatitis E virus intraviral interactome". Sci Rep. 5: 13872. doi:10.1038/srep13872. PMC 4604457. PMID 26463011.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)
↑ Rain, J. C.; Selig, L.; De Reuse, H.; Battaglia, V. R.; Reverdy, C. L.; Simon, S. P.; Lenzen, G.; Petel, F.; Wojcik, J. R. M.; Schächter, V.; Chemama, Y.; Labigne, A. S.; Legrain, P. (2001). "The protein-protein interaction map of Helicobacter pylori". Nature. 409 (6817): 211—215. doi:10.1038/35051615. PMID 11196647.
↑ Häuser, R; Ceol, A; Rajagopala, S. V.; Mosca, R; Siszler, G; Wermke, N; Sikorski, P; Schwarz, F; Schick, M; Wuchty, S; Aloy, P; Uetz, P (2014). "A Second-generation Protein-Protein Interaction Network of Helicobacter pylori". Molecular & Cellular Proteomics. 13 (5): 1318—29. doi:10.1074/mcp.O113.033571. PMID 24627523.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Parrish, JR; et al. (2007). "A proteome-wide protein interaction map for Campylobacter jejuni". Genome Biol. 8 (7): R130. doi:10.1186/gb-2007-8-7-r130. PMC 2323224. PMID 17615063.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ ¹ ² Rajagopala, S. V.; Titz, B. R.; Goll, J.; Häuser, R.; McKevitt, M. T.; Palzkill, T.; Uetz, P. (2008). Hall, Neil (ed.). "The Binary Protein Interactome of Treponema pallidum – the Syphilis Spirochete". PLoS ONE. 3 (5): e2292. doi:10.1371/journal.pone.0002292. PMC 2386257. PMID 18509523.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Hu, P; et al. (2009). Levchenko, Andre (ed.). "Global functional atlas of Escherichia coli encompassing previously uncharacterized proteins". PLoS Biol. 7 (4): e96. doi:10.1371/journal.pbio.1000096. PMC 2672614. PMID 19402753.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)
↑ Rajagopala, S. V.; Sikorski, P; Kumar, A; Mosca, R; Vlasblom, J; Arnold, R; Franca-Koh, J; Pakala, S. B.; Phanse, S; Ceol, A; Häuser, R; Siszler, G; Wuchty, S; Emili, A; Babu, M; Aloy, P; Pieper, R; Uetz, P (2014). "The binary protein-protein interaction landscape of Escherichia coli". Nature Biotechnology. 32 (3): 285—90. doi:10.1038/nbt.2831. PMID 24561554.
↑ Shimoda, Y.; Shinpo, S.; Kohara, M.; Nakamura, Y.; Tabata, S.; Sato, S. (2008). "A Large Scale Analysis of Protein-Protein Interactions in the Nitrogen-fixing Bacterium Mesorhizobium loti". DNA Research. 15 (1): 13—23. doi:10.1093/dnares/dsm028. PMC 2650630. PMID 18192278.
↑ Wang, Y.; Cui, T.; Zhang, C.; Yang, M.; Huang, Y.; Li, W.; Zhang, L.; Gao, C.; He, Y.; Li, Y.; Huang, F.; Zeng, J.; Huang, C.; Yang, Q.; Tian, Y.; Zhao, C.; Chen, H.; Zhang, H.; He, Z. G. (2010). "Global Protein−Protein Interaction Network in the Human PathogenMycobacterium tuberculosisH37Rv". Journal of Proteome Research. 9 (12): 6665—6677. doi:10.1021/pr100808n. PMID 20973567.
↑ Kuhner, S.; Van Noort, V.; Betts, M. J.; Leo-Macias, A.; Batisse, C.; Rode, M.; Yamada, T.; Maier, T.; Bader, S.; Beltran-Alvarez, P.; Castaño-Diez, D.; Chen, W. -H.; Devos, D.; Güell, M.; Norambuena, T.; Racke, I.; Rybin, V.; Schmidt, A.; Yus, E.; Aebersold, R.; Herrmann, R.; Böttcher, B.; Frangakis, A. S.; Russell, R. B.; Serrano, L.; Bork, P.; Gavin, A. -C. (2009). "Proteome Organization in a Genome-Reduced Bacterium". Science. 326 (5957): 1235—1240. doi:10.1126/science.1176343. PMID 19965468.
↑ Sato, S.; Shimoda, Y.; Muraki, A.; Kohara, M.; Nakamura, Y.; Tabata, S. (2007). "A Large-scale Protein protein Interaction Analysis in Synechocystis sp. PCC6803". DNA Research. 14 (5): 207—216. doi:10.1093/dnares/dsm021. PMC 2779905. PMID 18000013.
↑ Cherkasov, A; Hsing, M; Zoraghi, R; Foster, L. J.; See, R. H.; Stoynov, N; Jiang, J; Kaur, S; Lian, T; Jackson, L; Gong, H; Swayze, R; Amandoron, E; Hormozdiari, F; Dao, P; Sahinalp, C; Santos-Filho, O; Axerio-Cilies, P; Byler, K; McMaster, W. R.; Brunham, R. C.; Finlay, B. B.; Reiner, N. E. (2011). "Mapping the protein interaction network in methicillin-resistant Staphylococcus aureus". Journal of Proteome Research. 10 (3): 1139—50. doi:10.1021/pr100918u. PMID 21166474.
↑ ¹ ² ³ Schwikowski, B.; Uetz, P.; Fields, S. (2000). "A network of protein-protein interactions in yeast". Nature Biotechnology. 18 (12): 1257—1261. doi:10.1038/82360. PMID 11101803.
↑ Uetz, P.; Giot, L.; Cagney, G.; Mansfield, T. A.; Judson, R. S.; Knight, J. R.; Lockshon, D.; Narayan, V. (2000). "A comprehensive analysis of protein-protein interactions in Saccharomyces cerevisiae". Nature. 403 (6770): 623—627. doi:10.1038/35001009. PMID 10688190.
↑ Krogan, NJ; et al. (2006). "Global landscape of protein complexes in the yeast Saccharomyeses Cerivisiae ". Nature. 440 (7084): 637—643. doi:10.1038/nature04670. PMID 16554755.
↑ Pancaldi V, Saraç OS, Rallis C, McLean JR, Převorovský M, Gould K, Beyer A, Bähler J (2012). "Predicting the fission yeast protein interaction network". G3 (Bethesda). 2 (4): 453—67. doi:10.1534/g3.111.001560. PMC 3337474. PMID 22540037.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)
↑ Vo T. V., Das J., Meyer M. J., Cordero N. A., Akturk N., Wei X., Fair B. J., Degatano A. G., Fragoza R., Liu L. G., Matsuyama A., Trickey M., Horibata S., Grimson A., Yamano H., Yoshida M., Roth F. P., Pleiss J. A., Xia Y., Yu H. A Proteome-wide Fission Yeast Interactome Reveals Network Evolution Principles from Yeasts to Human. (англ.) // Cell. — 2016. — Vol. 164, no. 1-2. — P. 310—323. — doi:10.1016/j.cell.2015.11.037. — PMID 26771498. [исправить]
↑ B. de Chassey, V. Navratil, L. Tafforeau, M. S. Hiet, A. Aublin-Gex. Hepatitis C virus infection protein network // Molecular Systems Biology. — 2008. — Т. 4. — С. 230. — ISSN 1744-4292. — doi:10.1038/msb.2008.66.
↑ V. Navratil, B. de Chassey, L. Meyniel, F. Pradezynski, P. André. System-level comparison of protein-protein interactions between viruses and the human type I interferon system network // Journal of Proteome Research. — 2010-07-02. — Т. 9, вып. 7. — С. 3527–3536. — ISSN 1535-3907. — doi:10.1021/pr100326j.
↑ Kevin R. Brown, Igor Jurisica. Online predicted human interaction database // Bioinformatics (Oxford, England). — 2005-05-01. — Т. 21, вып. 9. — С. 2076–2082. — ISSN 1367-4803. — doi:10.1093/bioinformatics/bti273.
↑ Haibin Gu, Pengcheng Zhu, Yinming Jiao, Yijun Meng, Ming Chen. PRIN: a predicted rice interactome network // BMC bioinformatics. — 2011-05-16. — Т. 12. — С. 161. — ISSN 1471-2105. — doi:10.1186/1471-2105-12-161.
↑ Jing Guo, Huan Li, Ji-Wei Chang, Yang Lei, Sen Li. Prediction and characterization of protein-protein interaction network in Xanthomonas oryzae pv. oryzae PXO99 A // Research in Microbiology. — December 2013. — Т. 164, вып. 10. — С. 1035–1044. — ISSN 1769-7123. — doi:10.1016/j.resmic.2013.09.001.
↑ Jane Geisler-Lee, Nicholas O'Toole, Ron Ammar, Nicholas J. Provart, A. Harvey Millar. A predicted interactome for Arabidopsis // Plant Physiology. — October 2007. — Т. 145, вып. 2. — С. 317–329. — ISSN 0032-0889. — doi:10.1104/pp.107.103465.
↑ Junyang Yue, Wei Xu, Rongjun Ban, Shengxiong Huang, Min Miao. PTIR: Predicted Tomato Interactome Resource // Scientific Reports. — 04 28, 2016. — Т. 6. — С. 25047. — ISSN 2045-2322. — doi:10.1038/srep25047.
↑ Jianhua Yang, Kim Osman, Mudassar Iqbal, Dov J. Stekel, Zewei Luo. Inferring the Brassica rapa Interactome Using Protein-Protein Interaction Data from Arabidopsis thaliana // Frontiers in Plant Science. — 2012. — Т. 3. — С. 297. — ISSN 1664-462X. — doi:10.3389/fpls.2012.00297.
↑ Guanghui Zhu, Aibo Wu, Xin-Jian Xu, Pei-Pei Xiao, Le Lu. PPIM: A Protein-Protein Interaction Database for Maize // Plant Physiology. — February 2016. — Т. 170, вып. 2. — С. 618–626. — ISSN 1532-2548. — doi:10.1104/pp.15.01821.
↑ Eli Rodgers-Melnick, Mark Culp, Stephen P. DiFazio. Predicting whole genome protein interaction networks from primary sequence data in model and non-model organisms using ENTS // BMC genomics. — 2013-09-10. — Т. 14. — С. 608. — ISSN 1471-2164. — doi:10.1186/1471-2164-14-608.
↑ Глоссарий теории графов (рус.) // Википедия. — 2017-02-10.
↑ ¹ ² ³ ⁴ ⁵ ⁶ Jackson M. O. Social and Economic Networks. — Princeton university press, 2010.
↑ Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. A proteome-scale map of the human interactome network // Cell. — 2014-11-20. — Т. 159, вып. 5. — С. 1212–1226. — ISSN 1097-4172. — doi:10.1016/j.cell.2014.10.050.
↑ A. Clauset, C. Shalizi, M. Newman. Power-Law Distributions in Empirical Data // SIAM Review. — 2009-11-04. — Т. 51, вып. 4. — С. 661–703. — ISSN 0036-1445. — doi:10.1137/070710111.
↑ Welcome to igraph's new home (англ.). igraph.org. Дата обращения: 31 марта 2017.
↑ J. Janssen, P. PraŁat. Rank-Based Attachment Leads to Power Law Graphs // SIAM Journal on Discrete Mathematics. — 2010-01-01. — Т. 24, вып. 2. — С. 420–440. — ISSN 0895-4801. — doi:10.1137/080716967.
↑ Reiko Tanaka, Tau-Mu Yi, John Doyle. Some protein interaction data do not exhibit power law statistics (англ.) // FEBS Letters. — 2005-09-26. — Vol. 579, iss. 23. — P. 5140–5144. — ISSN 1873-3468. — doi:10.1016/j.febslet.2005.08.024.
↑ Gipsi Lima-Mendez, Jacques van Helden. The powerful law of the power law and other myths in network biology (англ.) // Molecular BioSystems. — 2009-01-01. — Vol. 5, iss. 12. — doi:10.1039/B908681A.
↑ Centrality (неопр.). www.analytictech.com. Дата обращения: 31 марта 2017.
↑ Linton C. Freeman. A Set of Measures of Centrality Based on Betweenness // Sociometry. — 1977-01-01. — Т. 40, вып. 1. — С. 35–41. — doi:10.2307/3033543.
↑ M.E.J. Newman. The structure and function of complex networks (англ.) // SIAM Review. — 2003. — № 45. — С. 167-256. — doi:10.1137/S003614450342480.
↑ Freeman L. C. Centrality in social networks: conceptual clarification // Social networks. — 1978. — Т. 1, № 3. — С. 215-239. — doi:10.1016/0378-8733(78)90021-7.
↑ Lawrence Page, Sergey Brin, Rajeev Motwani and Terry Winograd. The PageRank Citation Ranking: Bringing Order to the Web (англ.) // Proceedings of the 7th International World Wide Web Conference. — 1998. — С. 161-172.
↑ ¹ ² Yu, H; Braun, P; Yildirim, M. A.; Lemmens, I; Venkatesan, K; Sahalie, J; Hirozane-Kishikawa, T; Gebreab, F; Li, N; Simonis, N; Hao, T; Rual, J. F.; Dricot, A; Vazquez, A; Murray, R. R.; Simon, C; Tardivo, L; Tam, S; Svrzikapa, N; Fan, C; De Smet, A. S.; Motyl, A; Hudson, M. E.; Park, J; Xin, X; Cusick, M. E.; Moore, T; Boone, C; Snyder, M; Roth, F. P. (2008). "High-quality binary protein interaction map of the yeast interactome network". Science. 322 (5898): 104—10. doi:10.1126/science.1158684. PMC 2746753. PMID 18719252.
↑ Kim, P. M.; Lu, L. J.; Xia, Y; Gerstein, M. B. (2006). "Relating three-dimensional structures to protein networks provides evolutionary insights". Science. 314 (5807): 1938—41. doi:10.1126/science.1136174. PMID 17185604.
↑ Predictive medicine - Latest research and news | Nature (англ.). www.nature.com. Дата обращения: 1 апреля 2017.
↑ Susan Dina Ghiassian, Jörg Menche, Albert-László Barabási. A DIseAse MOdule Detection (DIAMOnD) Algorithm Derived from a Systematic Analysis of Connectivity Patterns of Disease Proteins in the Human Interactome // PLOS Computational Biology. — 2015-04-08. — Т. 11, вып. 4. — С. e1004120. — ISSN 1553-7358. — doi:10.1371/journal.pcbi.1004120.
↑ Классификация (рус.). www.machinelearning.ru. Дата обращения: 1 апреля 2017.
↑ ¹ ² Madhavi K. Ganapathiraju, Mohamed Thahir, Adam Handen, Saumendra N. Sarkar, Robert A. Sweet. Schizophrenia interactome with 504 novel protein-protein interactions // NPJ schizophrenia. — 2016. — Т. 2. — С. 16012. — ISSN 2334-265X. — doi:10.1038/npjschz.2016.12.
↑ ¹ ² Yanjun Qi, Harpreet K. Dhiman, Neil Bhola, Ivan Budyak, Siddhartha Kar. Systematic prediction of human membrane receptor interactions // Proteomics. — December 2009. — Т. 9, вып. 23. — С. 5243–5255. — ISSN 1615-9861. — doi:10.1002/pmic.200900259.
↑ Yanjun Qi, Ziv Bar-Joseph, Judith Klein-Seetharaman. Evaluation of different biological data and computational classification methods for use in protein interaction prediction // Proteins. — 2006-05-15. — Т. 63, вып. 3. — С. 490–500. — ISSN 1097-0134. — doi:10.1002/prot.20865.
↑ ¹ ² PIPs: Human Protein-Protein Interaction Prediction (неопр.). www.compbio.dundee.ac.uk. Дата обращения: 1 апреля 2017.
↑ Sven Mika, Burkhard Rost. Protein-protein interactions more conserved within species than across species // PLoS computational biology. — 2006-07-21. — Т. 2, вып. 7. — С. e79. — ISSN 1553-7358. — doi:10.1371/journal.pcbi.0020079.
↑ Yi-Chao Han, Jia-Ming Song, Long Wang, Cheng-Cheng Shu, Jing Guo. Prediction and characterization of protein-protein interaction network in Bacillus licheniformis WX-02 (англ.) // Scientific Reports. — 2016-01-19. — Т. 6, вып. 1. — ISSN 2045-2322. — doi:10.1038/srep19486.
↑ Weerayuth Kittichotirat, Michal Guerquin, Roger E. Bumgarner, Ram Samudrala. Protinfo PPC: a web server for atomic level prediction of protein complexes // Nucleic Acids Research. — July 2009. — Т. 37, вып. Web Server issue. — С. W519–525. — ISSN 1362-4962. — doi:10.1093/nar/gkp306.
↑ Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Large-scale mapping of human protein interactome using structural complexes // EMBO reports. — 2012-03-01. — Т. 13, вып. 3. — С. 266–271. — ISSN 1469-3178. — doi:10.1038/embor.2011.261.
↑ Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Large-scale mapping of human protein interactome using structural complexes // EMBO reports. — 2012-03-01. — Т. 13, вып. 3. — С. 266–271. — ISSN 1469-3178. — doi:10.1038/embor.2011.261.
↑ Thomas A. Hopf, Charlotta P. I. Schärfe, João P. G. L. M. Rodrigues, Anna G. Green, Oliver Kohlbacher. Sequence co-evolution gives 3D contacts and structures of protein complexes // eLife. — 2014-09-25. — Т. 3. — ISSN 2050-084X. — doi:10.7554/eLife.03430.
↑ Kushal Veer Singh, Lovekesh Vig. Improved prediction of missing protein interactome links via anomaly detection (англ.) // Applied Network Science. — 2017-01-28. — Т. 2, вып. 1. — С. 2. — ISSN 2364-8228. — doi:10.1007/s41109-017-0022-7.
↑ Robert Hoffmann, Martin Krallinger, Eduardo Andres, Javier Tamames, Christian Blaschke. Text mining for metabolic pathways, signaling cascades, and protein networks // Science's STKE: signal transduction knowledge environment. — 2005-05-10. — Т. 2005, вып. 283. — С. pe21. — ISSN 1525-8882. — doi:10.1126/stke.2832005pe21.
↑ Jason McDermott, Roger Bumgarner, Ram Samudrala. Functional annotation from predicted protein interaction networks // Bioinformatics (Oxford, England). — 2005-08-01. — Т. 21, вып. 15. — С. 3217–3226. — ISSN 1367-4803. — doi:10.1093/bioinformatics/bti514.
↑ Seesandra V. Rajagopala, Patricia Sikorski, J. Harry Caufield, Andrey Tovchigrechko, Peter Uetz. Studying protein complexes by the yeast two-hybrid system // Methods (San Diego, Calif.). — December 2012. — Т. 58, вып. 4. — С. 392–399. — ISSN 1095-9130. — doi:10.1016/j.ymeth.2012.07.015.
↑ Albert-László Barabási, Zoltán N. Oltvai. Network biology: understanding the cell's functional organization // Nature Reviews. Genetics. — February 2004. — Т. 5, вып. 2. — С. 101–113. — ISSN 1471-0056. — doi:10.1038/nrg1272.
↑ Kwang-Il Goh, In-Geol Choi. Exploring the human diseasome: the human disease network // Briefings in Functional Genomics. — November 2012. — Т. 11, вып. 6. — С. 533–542. — ISSN 2041-2657. — doi:10.1093/bfgp/els032.
↑ Albert-László Barabási, Natali Gulbahce, Joseph Loscalzo. Network medicine: a network-based approach to human disease // Nature Reviews. Genetics. — January 2011. — Т. 12, вып. 1. — С. 56–68. — ISSN 1471-0064. — doi:10.1038/nrg2918.
↑ Albert-László Barabási, Zoltán N. Oltvai. Network biology: understanding the cell's functional organization // Nature Reviews. Genetics. — February 2004. — Т. 5, вып. 2. — С. 101–113. — ISSN 1471-0056. — doi:10.1038/nrg1272.
↑ Lin Gao, Peng-Gang Sun, Jia Song. Clustering algorithms for detecting functional modules in protein interaction networks // Journal of Bioinformatics and Computational Biology. — February 2009. — Т. 7, вып. 1. — С. 217–242. — ISSN 0219-7200.
↑ ¹ ² Validating the Interactome | The Scientist Magazine® (неопр.). The Scientist. Дата обращения: 1 апреля 2017.
↑ Christoph Doepmann. Survey on the Graph Alignment Problem and a Benchmark of Suitable Algorithms. Expose for Bachelor's Thesis. / Ulf Leser, Andre Koschmieder. — Humboldt-Universitaet zu Berlin, Institut fuer Informatik, 2013.
↑ Roland A. Pache. NetAligner - fast and accurate alignment of protein interaction networks (неопр.). netaligner.irbbarcelona.org. Дата обращения: 1 апреля 2017.
↑ IRB Barcelona (англ.). www.irbbarcelona.org. Дата обращения: 1 апреля 2017.
↑ ¹ ² Cannataro M., Guzzi P. H. Data Management of Protein Interaction Networks. — Wiley Series on Bioinformatics: Computational Techniques and Engineering. — John Wiley and Sons, 2011.
↑ Laura Bonetta. Protein-protein interactions: Interactome under construction (англ.) // Nature. — 2010-12-09. — Vol. 468, iss. 7325. — P. 851–854. — ISSN 0028-0836. — doi:10.1038/468851a.
↑ Co-Immunoprecipitation (Co-IP) (англ.). www.thermofisher.com. Дата обращения: 1 апреля 2017.
↑ HuRI | Home (англ.). interactome.baderlab.org. Дата обращения: 31 марта 2017.
↑ CCSB (англ.). ccsb.dfci.harvard.edu. Дата обращения: 31 марта 2017.
↑ mint (неопр.). mint.bio.uniroma2.it. Дата обращения: 1 апреля 2017.
↑ mint (неопр.). mint.bio.uniroma2.it. Дата обращения: 1 апреля 2017.
↑ molecular genetics group (англ.). www.moleculargenetics.it. Дата обращения: 1 апреля 2017.
↑ Database of Interacting Proteins (неопр.).
↑ Biomolecular Interaction Network Database (неопр.).
↑ Biomolecular Object Network Databank (англ.) // Wikipedia. — 2016-11-19.
↑ Databases in peril (англ.) // Nature Cell Biology. — 2005-07-01. — Vol. 7, iss. 7. — P. 639–639. — ISSN 1465-7392. — doi:10.1038/ncb0705-639b.
↑ ¹ ² GeneMANIA (неопр.). genemania.org. Дата обращения: 1 апреля 2017.
↑ University of Toronto (англ.). www.utoronto.ca. Дата обращения: 1 апреля 2017.
↑ High-quality INTeractomes (неопр.). hint.yulab.org. Дата обращения: 1 апреля 2017.
↑ Yu Lab - Cornell University (неопр.). yulab.icmb.cornell.edu. Дата обращения: 1 апреля 2017.
↑ IntAct. http://www.ebi.ac.uk/intact/ (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.
↑ IntAct. http://www.ebi.ac.uk/intact/about/statistics?conversationContext=8#it (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.
↑ IntAct. http://www.ebi.ac.uk/intact/about/overview;jsessionid=F9BA9ECD507219503D95BBB7E3B21128 (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.
↑ Mike Tyers Lab. BioGRID | Database of Protein, Chemical, and Genetic Interactions (англ.). thebiogrid.org. Дата обращения: 1 апреля 2017.
↑ BioGRID Database Statistics | BioGRID (англ.). wiki.thebiogrid.org. Дата обращения: 1 апреля 2017.
↑ About the BioGRID | BioGRID (англ.). wiki.thebiogrid.org. Дата обращения: 1 апреля 2017.
↑ Kai Xia, Dong Dong, Jing-Dong J. Han. IntNetDB v1.0: an integrated protein-protein interaction network database generated by a probabilistic model // BMC Bioinformatics. — 2006-01-01. — Т. 7. — С. 508. — ISSN 1471-2105. — doi:10.1186/1471-2105-7-508.
↑ Welcome to DroID: The Comprehensive Drosophila Interactions Database (неопр.). www.droidb.org. Дата обращения: 1 апреля 2017.
↑ Drosophila Interactions database (неопр.). www.droidb.org. Дата обращения: 1 апреля 2017.
↑ TAIR - Home Page (англ.). www.arabidopsis.org. Дата обращения: 1 апреля 2017.
↑ Phoenix Home (амер. англ.). www.phoenixbioinformatics.org. Дата обращения: 1 апреля 2017.
↑ University of Dundee. University of Dundee (англ.). University of Dundee. Дата обращения: 1 апреля 2017.
↑ Welcome to PRIN - Predicted Rice Interactome Network (неопр.). bis.zju.edu.cn. Дата обращения: 1 апреля 2017.
↑ Contact Us (неопр.). bis.zju.edu.cn. Дата обращения: 1 апреля 2017.

Ссылки

[pmid9847149-1] Sanchez C; Lachaize C; Janody F; et al. (January 1999). "Grasping at molecular interactions and genetic networks in Drosophila melanogaster using FlyNets, an Internet database". Nucleic Acids Res. 27 (1): 89—94. doi:10.1093/nar/27.1.89. PMC 148104. PMID 9847149. {{cite journal}}: Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)

[Klemer-2] ¹ ² Kiemer, L; G Cesareni (2007). "Comparative interactomics: comparing apples and pears?". TRENDS in Biotechnology. 25 (10): 448—454. doi:10.1016/j.tibtech.2007.08.002. PMID 17825444.

[Bruggeman-3] Bruggeman, F J; H V Westerhoff (2006). "The nature of systems biology". TRENDS in Microbiology. 15 (1): 45—50. doi:10.1016/j.tim.2006.11.003. PMID 17113776.

[pmid19300510-4] Hennah W, Porteous D (2009). Reif, Andreas (ed.). "The DISC1 pathway modulates expression of neurodevelopmental, synaptogenic and sensory perception genes". PLoS ONE. 4 (3): e4906. doi:10.1371/journal.pone.0004906. PMC 2654149. PMID 19300510.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[5] Sharma, Ankush; Gautam VK; Costantini S; Paladino A; Colonna G (Feb 2012). "Interactomic and pharmacological insights on human Sirt-1". Front. Pharmacol. 3: 40. doi:10.3389/fphar.2012.00040. PMC 3311038. PMID 22470339.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[6] Sharma, Ankush; Costantini S; Colonna G (March 2013). "The protein-protein interaction network of human Sirtuin family". arXiv:1302.6423v2. PMID 23811471. {{cite journal}}: Cite journal требует |journal= (справка)

[pmid18474861-7] Stumpf MP; Thorne T; de Silva E; et al. (May 2008). "Estimating the size of the human interactome". Proc. Natl. Acad. Sci. U.S.A. 105 (19): 6959—64. doi:10.1073/pnas.0708078105. PMC 2383957. PMID 18474861. {{cite journal}}: Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)

[Uetz20052-8] ¹ ² Uetz P. & Grigoriev A. (2005) The yeast interactome. In Jorde, L.B., Little, P.F.R., Dunn, M.J. and Subramaniam, S. (Eds), Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics. John Wiley & Sons Ltd: Chichester, Volume 5, pp. 2033—2051

[yeast-9] Costanzo M; Baryshnikova A; Bellay J (2010-01-22). "The genetic landscape of a cell". Science. 327 (5964): 425—431. doi:10.1126/science.1180823. PMID 20093466. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка); Неизвестный параметр |name-list-format= игнорируется (|name-list-style= предлагается) (справка)

[10] Anna Brückner, Cécile Polge, Nicolas Lentze, Daniel Auerbach, Uwe Schlattner. Yeast Two-Hybrid, a Powerful Tool for Systems Biology (англ.) // International Journal of Molecular Sciences. — 2009-06-18. — Vol. 10, iss. 6. — P. 2763–2788. — doi:10.3390/ijms10062763.

[11] Choogon Lee. Coimmunoprecipitation assay // Methods in Molecular Biology (Clifton, N.J.). — 2007-01-01. — Т. 362. — С. 401–406. — ISSN 1064-3745. — doi:10.1007/978-1-59745-257-1_31.

[12] Co-Immunoprecipitation (Co-IP) (неопр.). www.profacgen.com. Дата обращения: 1 апреля 2017.

[13] Brettner, Leandra M.; Joanna Masel (2012). "Protein stickiness, rather than number of functional protein-protein interactions, predicts expression noise and plasticity in yeast". BMC Systems Biology. 6: 128. doi:10.1186/1752-0509-6-128. PMC 3527306. PMID 23017156.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[10.3389/fnmol.2014.00058-14] Mukherjee, K; Slawson; Christmann; Griffith (June 2014). "Neuron-specific protein interactions of Drosophila CASK-ß are revealed by mass spectrometry". Front. Mol. Neurosci. 7: 58. doi:10.3389/fnmol.2014.00058. PMC 4075472. PMID 25071438. {{cite journal}}: Шаблон цитирования имеет пустые неизвестные параметры: |laydate=, |laysource=, and |laysummary= (справка)Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[15] Navratil V.; De Chassey, B.; Meyniel, L.; Delmotte, S.; Gautier, C.; Andre, P.; Lotteau, V.; Rabourdin-Combe, C. (2009). "VirHostNet: a knowledge base for the management and the analysis of proteome-wide virus-host interaction networks". Nucleic Acids Res. 37 (Database issue): D661—8. doi:10.1093/nar/gkn794. PMC 2686459. PMID 18984613. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)

[16] Rajagopala SV.; Casjens, Sherwood; Uetz, Peter (2011). "The protein interaction map of bacteriophage lambda". BMC Microbiol. 11: 213. doi:10.1186/1471-2180-11-213. PMC 3224144. PMID 21943085. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[pmid8528255-17] Bartel PL, Roecklein JA, SenGupta D, Fields S (1996). "A protein linkage map of Escherichia coli bacteriophage T7". Nat. Genet. 12 (1): 72—7. doi:10.1038/ng0196-72. PMID 8528255.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)

[18] Sabri M.; Hauser, R.; Ouellette, M.; Liu, J.; Dehbi, M.; Moeck, G.; Garcia, E.; Titz, B.; Uetz, P. (2011). "Genome annotation and intraviral interactome for the Streptococcus pneumoniae virulent phage Dp-1". J. Bact. 193 (2): 551—62. doi:10.1128/JB.01117-10. PMC 3019816. PMID 21097633. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)

[19] Häuser R.; Sabri, M.; Moineau, S.; Uetz, P. (2011). "The proteome and interactome of Streptococcus pneumoniae phage Cp-1". J. Bact. 193 (12): 3135—8. doi:10.1128/JB.01481-10. PMC 3133188. PMID 21515781. {{cite journal}}: Неизвестный параметр |displayauthors= игнорируется (|display-authors= предлагается) (справка)

[20] Stellberger, T.; et al. (2010). "Improving the yeast two-hybrid system with permutated fusions proteins: the Varicella Zoster Virus interactome". Proteome Sci. 8: 8. doi:10.1186/1477-5956-8-8. PMC 2832230. PMID 20205919.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[Chandipura-21] Kumar K, Rana J, Sreejith R, Gabrani R, Sharma SK, Gupta A, Chaudhary VK, Gupta S (2012). "Intraviral protein interactions of Chandipura virus". Archives of Virology. 157 (10): 1949—1957. doi:10.1007/s00705-012-1389-5. PMID 22763614.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)

[Fossum_2009_e1000570-22] ¹ ² ³ ⁴ Fossum, E; et al. (2009). Sun, Ren (ed.). "Evolutionarily conserved herpesviral protein interaction networks". PLoS Pathog. 5 (9): e1000570. doi:10.1371/journal.ppat.1000570. PMC 2731838. PMID 19730696.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[Hagen2014-23] Hagen N, Bayer K, Rösch K, Schindler M (2014). "The intra viral protein interaction network of hepatitis C virus". Molecular & Cellular Proteomics. 13 (7): 1676—89. doi:10.1074/mcp.M113.036301. PMID 24797426.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка) Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[pmid26463011-24] Osterman A, Stellberger T, Gebhardt A, Kurz M, Friedel CC, Uetz P, Nitschko H, Baiker A, Vizoso-Pinto MG (2015). "The Hepatitis E virus intraviral interactome". Sci Rep. 5: 13872. doi:10.1038/srep13872. PMC 4604457. PMID 26463011.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)

[Rain-25] Rain, J. C.; Selig, L.; De Reuse, H.; Battaglia, V. R.; Reverdy, C. L.; Simon, S. P.; Lenzen, G.; Petel, F.; Wojcik, J. R. M.; Schächter, V.; Chemama, Y.; Labigne, A. S.; Legrain, P. (2001). "The protein-protein interaction map of Helicobacter pylori". Nature. 409 (6817): 211—215. doi:10.1038/35051615. PMID 11196647.

[Häuser2014-26] Häuser, R; Ceol, A; Rajagopala, S. V.; Mosca, R; Siszler, G; Wermke, N; Sikorski, P; Schwarz, F; Schick, M; Wuchty, S; Aloy, P; Uetz, P (2014). "A Second-generation Protein-Protein Interaction Network of Helicobacter pylori". Molecular & Cellular Proteomics. 13 (5): 1318—29. doi:10.1074/mcp.O113.033571. PMID 24627523.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[27] Parrish, JR; et al. (2007). "A proteome-wide protein interaction map for Campylobacter jejuni". Genome Biol. 8 (7): R130. doi:10.1186/gb-2007-8-7-r130. PMC 2323224. PMID 17615063.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[Titz2008-28] ¹ ² Rajagopala, S. V.; Titz, B. R.; Goll, J.; Häuser, R.; McKevitt, M. T.; Palzkill, T.; Uetz, P. (2008). Hall, Neil (ed.). "The Binary Protein Interactome of Treponema pallidum – the Syphilis Spirochete". PLoS ONE. 3 (5): e2292. doi:10.1371/journal.pone.0002292. PMC 2386257. PMID 18509523.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[29] Hu, P; et al. (2009). Levchenko, Andre (ed.). "Global functional atlas of Escherichia coli encompassing previously uncharacterized proteins". PLoS Biol. 7 (4): e96. doi:10.1371/journal.pbio.1000096. PMC 2672614. PMID 19402753.{{cite journal}}: Википедия:Обслуживание CS1 (не помеченный открытым DOI) (ссылка)

[Rajagopala2014-30] Rajagopala, S. V.; Sikorski, P; Kumar, A; Mosca, R; Vlasblom, J; Arnold, R; Franca-Koh, J; Pakala, S. B.; Phanse, S; Ceol, A; Häuser, R; Siszler, G; Wuchty, S; Emili, A; Babu, M; Aloy, P; Pieper, R; Uetz, P (2014). "The binary protein-protein interaction landscape of Escherichia coli". Nature Biotechnology. 32 (3): 285—90. doi:10.1038/nbt.2831. PMID 24561554.

[Mloti-31] Shimoda, Y.; Shinpo, S.; Kohara, M.; Nakamura, Y.; Tabata, S.; Sato, S. (2008). "A Large Scale Analysis of Protein-Protein Interactions in the Nitrogen-fixing Bacterium Mesorhizobium loti". DNA Research. 15 (1): 13—23. doi:10.1093/dnares/dsm028. PMC 2650630. PMID 18192278.

[Mtub-32] Wang, Y.; Cui, T.; Zhang, C.; Yang, M.; Huang, Y.; Li, W.; Zhang, L.; Gao, C.; He, Y.; Li, Y.; Huang, F.; Zeng, J.; Huang, C.; Yang, Q.; Tian, Y.; Zhao, C.; Chen, H.; Zhang, H.; He, Z. G. (2010). "Global Protein−Protein Interaction Network in the Human PathogenMycobacterium tuberculosisH37Rv". Journal of Proteome Research. 9 (12): 6665—6677. doi:10.1021/pr100808n. PMID 20973567.

[Myco-33] Kuhner, S.; Van Noort, V.; Betts, M. J.; Leo-Macias, A.; Batisse, C.; Rode, M.; Yamada, T.; Maier, T.; Bader, S.; Beltran-Alvarez, P.; Castaño-Diez, D.; Chen, W. -H.; Devos, D.; Güell, M.; Norambuena, T.; Racke, I.; Rybin, V.; Schmidt, A.; Yus, E.; Aebersold, R.; Herrmann, R.; Böttcher, B.; Frangakis, A. S.; Russell, R. B.; Serrano, L.; Bork, P.; Gavin, A. -C. (2009). "Proteome Organization in a Genome-Reduced Bacterium". Science. 326 (5957): 1235—1240. doi:10.1126/science.1176343. PMID 19965468.

[Sato-34] Sato, S.; Shimoda, Y.; Muraki, A.; Kohara, M.; Nakamura, Y.; Tabata, S. (2007). "A Large-scale Protein protein Interaction Analysis in Synechocystis sp. PCC6803". DNA Research. 14 (5): 207—216. doi:10.1093/dnares/dsm021. PMC 2779905. PMID 18000013.

[Cherkasov-35] Cherkasov, A; Hsing, M; Zoraghi, R; Foster, L. J.; See, R. H.; Stoynov, N; Jiang, J; Kaur, S; Lian, T; Jackson, L; Gong, H; Swayze, R; Amandoron, E; Hormozdiari, F; Dao, P; Sahinalp, C; Santos-Filho, O; Axerio-Cilies, P; Byler, K; McMaster, W. R.; Brunham, R. C.; Finlay, B. B.; Reiner, N. E. (2011). "Mapping the protein interaction network in methicillin-resistant Staphylococcus aureus". Journal of Proteome Research. 10 (3): 1139—50. doi:10.1021/pr100918u. PMID 21166474.

[Schwikowski2000-36] ¹ ² ³ Schwikowski, B.; Uetz, P.; Fields, S. (2000). "A network of protein-protein interactions in yeast". Nature Biotechnology. 18 (12): 1257—1261. doi:10.1038/82360. PMID 11101803.

[Uetz2000-37] Uetz, P.; Giot, L.; Cagney, G.; Mansfield, T. A.; Judson, R. S.; Knight, J. R.; Lockshon, D.; Narayan, V. (2000). "A comprehensive analysis of protein-protein interactions in Saccharomyces cerevisiae". Nature. 403 (6770): 623—627. doi:10.1038/35001009. PMID 10688190.

[38] Krogan, NJ; et al. (2006). "Global landscape of protein complexes in the yeast Saccharomyeses Cerivisiae ". Nature. 440 (7084): 637—643. doi:10.1038/nature04670. PMID 16554755.

[pmid22540037-39] Pancaldi V, Saraç OS, Rallis C, McLean JR, Převorovský M, Gould K, Beyer A, Bähler J (2012). "Predicting the fission yeast protein interaction network". G3 (Bethesda). 2 (4): 453—67. doi:10.1534/g3.111.001560. PMC 3337474. PMID 22540037.{{cite journal}}: Википедия:Обслуживание CS1 (множественные имена: authors list) (ссылка)

[40] Vo T. V., Das J., Meyer M. J., Cordero N. A., Akturk N., Wei X., Fair B. J., Degatano A. G., Fragoza R., Liu L. G., Matsuyama A., Trickey M., Horibata S., Grimson A., Yamano H., Yoshida M., Roth F. P., Pleiss J. A., Xia Y., Yu H. A Proteome-wide Fission Yeast Interactome Reveals Network Evolution Principles from Yeasts to Human. (англ.) // Cell. — 2016. — Vol. 164, no. 1-2. — P. 310—323. — doi:10.1016/j.cell.2015.11.037. — PMID 26771498. [исправить]

[41] B. de Chassey, V. Navratil, L. Tafforeau, M. S. Hiet, A. Aublin-Gex. Hepatitis C virus infection protein network // Molecular Systems Biology. — 2008. — Т. 4. — С. 230. — ISSN 1744-4292. — doi:10.1038/msb.2008.66.

[42] V. Navratil, B. de Chassey, L. Meyniel, F. Pradezynski, P. André. System-level comparison of protein-protein interactions between viruses and the human type I interferon system network // Journal of Proteome Research. — 2010-07-02. — Т. 9, вып. 7. — С. 3527–3536. — ISSN 1535-3907. — doi:10.1021/pr100326j.

[43] Kevin R. Brown, Igor Jurisica. Online predicted human interaction database // Bioinformatics (Oxford, England). — 2005-05-01. — Т. 21, вып. 9. — С. 2076–2082. — ISSN 1367-4803. — doi:10.1093/bioinformatics/bti273.

[44] Haibin Gu, Pengcheng Zhu, Yinming Jiao, Yijun Meng, Ming Chen. PRIN: a predicted rice interactome network // BMC bioinformatics. — 2011-05-16. — Т. 12. — С. 161. — ISSN 1471-2105. — doi:10.1186/1471-2105-12-161.

[45] Jing Guo, Huan Li, Ji-Wei Chang, Yang Lei, Sen Li. Prediction and characterization of protein-protein interaction network in Xanthomonas oryzae pv. oryzae PXO99 A // Research in Microbiology. — December 2013. — Т. 164, вып. 10. — С. 1035–1044. — ISSN 1769-7123. — doi:10.1016/j.resmic.2013.09.001.

[46] Jane Geisler-Lee, Nicholas O'Toole, Ron Ammar, Nicholas J. Provart, A. Harvey Millar. A predicted interactome for Arabidopsis // Plant Physiology. — October 2007. — Т. 145, вып. 2. — С. 317–329. — ISSN 0032-0889. — doi:10.1104/pp.107.103465.

[47] Junyang Yue, Wei Xu, Rongjun Ban, Shengxiong Huang, Min Miao. PTIR: Predicted Tomato Interactome Resource // Scientific Reports. — 04 28, 2016. — Т. 6. — С. 25047. — ISSN 2045-2322. — doi:10.1038/srep25047.

[48] Jianhua Yang, Kim Osman, Mudassar Iqbal, Dov J. Stekel, Zewei Luo. Inferring the Brassica rapa Interactome Using Protein-Protein Interaction Data from Arabidopsis thaliana // Frontiers in Plant Science. — 2012. — Т. 3. — С. 297. — ISSN 1664-462X. — doi:10.3389/fpls.2012.00297.

[49] Guanghui Zhu, Aibo Wu, Xin-Jian Xu, Pei-Pei Xiao, Le Lu. PPIM: A Protein-Protein Interaction Database for Maize // Plant Physiology. — February 2016. — Т. 170, вып. 2. — С. 618–626. — ISSN 1532-2548. — doi:10.1104/pp.15.01821.

[50] Eli Rodgers-Melnick, Mark Culp, Stephen P. DiFazio. Predicting whole genome protein interaction networks from primary sequence data in model and non-model organisms using ENTS // BMC genomics. — 2013-09-10. — Т. 14. — С. 608. — ISSN 1471-2164. — doi:10.1186/1471-2164-14-608.

[51] Глоссарий теории графов (рус.) // Википедия. — 2017-02-10.

[:0-52] ¹ ² ³ ⁴ ⁵ ⁶ Jackson M. O. Social and Economic Networks. — Princeton university press, 2010.

[53] Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. A proteome-scale map of the human interactome network // Cell. — 2014-11-20. — Т. 159, вып. 5. — С. 1212–1226. — ISSN 1097-4172. — doi:10.1016/j.cell.2014.10.050.

[54] A. Clauset, C. Shalizi, M. Newman. Power-Law Distributions in Empirical Data // SIAM Review. — 2009-11-04. — Т. 51, вып. 4. — С. 661–703. — ISSN 0036-1445. — doi:10.1137/070710111.

[55] Welcome to igraph's new home (англ.). igraph.org. Дата обращения: 31 марта 2017.

[56] J. Janssen, P. PraŁat. Rank-Based Attachment Leads to Power Law Graphs // SIAM Journal on Discrete Mathematics. — 2010-01-01. — Т. 24, вып. 2. — С. 420–440. — ISSN 0895-4801. — doi:10.1137/080716967.

[57] Reiko Tanaka, Tau-Mu Yi, John Doyle. Some protein interaction data do not exhibit power law statistics (англ.) // FEBS Letters. — 2005-09-26. — Vol. 579, iss. 23. — P. 5140–5144. — ISSN 1873-3468. — doi:10.1016/j.febslet.2005.08.024.

[58] Gipsi Lima-Mendez, Jacques van Helden. The powerful law of the power law and other myths in network biology (англ.) // Molecular BioSystems. — 2009-01-01. — Vol. 5, iss. 12. — doi:10.1039/B908681A.

[59] Centrality (неопр.). www.analytictech.com. Дата обращения: 31 марта 2017.

[60] Linton C. Freeman. A Set of Measures of Centrality Based on Betweenness // Sociometry. — 1977-01-01. — Т. 40, вып. 1. — С. 35–41. — doi:10.2307/3033543.

[61] M.E.J. Newman. The structure and function of complex networks (англ.) // SIAM Review. — 2003. — № 45. — С. 167-256. — doi:10.1137/S003614450342480.

[62] Freeman L. C. Centrality in social networks: conceptual clarification // Social networks. — 1978. — Т. 1, № 3. — С. 215-239. — doi:10.1016/0378-8733(78)90021-7.

[63] Lawrence Page, Sergey Brin, Rajeev Motwani and Terry Winograd. The PageRank Citation Ranking: Bringing Order to the Web (англ.) // Proceedings of the 7th International World Wide Web Conference. — 1998. — С. 161-172.

[Yu2008-64] ¹ ² Yu, H; Braun, P; Yildirim, M. A.; Lemmens, I; Venkatesan, K; Sahalie, J; Hirozane-Kishikawa, T; Gebreab, F; Li, N; Simonis, N; Hao, T; Rual, J. F.; Dricot, A; Vazquez, A; Murray, R. R.; Simon, C; Tardivo, L; Tam, S; Svrzikapa, N; Fan, C; De Smet, A. S.; Motyl, A; Hudson, M. E.; Park, J; Xin, X; Cusick, M. E.; Moore, T; Boone, C; Snyder, M; Roth, F. P. (2008). "High-quality binary protein interaction map of the yeast interactome network". Science. 322 (5898): 104—10. doi:10.1126/science.1158684. PMC 2746753. PMID 18719252.

[Kim2006-65] Kim, P. M.; Lu, L. J.; Xia, Y; Gerstein, M. B. (2006). "Relating three-dimensional structures to protein networks provides evolutionary insights". Science. 314 (5807): 1938—41. doi:10.1126/science.1136174. PMID 17185604.

[66] Predictive medicine - Latest research and news | Nature (англ.). www.nature.com. Дата обращения: 1 апреля 2017.

[67] Susan Dina Ghiassian, Jörg Menche, Albert-László Barabási. A DIseAse MOdule Detection (DIAMOnD) Algorithm Derived from a Systematic Analysis of Connectivity Patterns of Disease Proteins in the Human Interactome // PLOS Computational Biology. — 2015-04-08. — Т. 11, вып. 4. — С. e1004120. — ISSN 1553-7358. — doi:10.1371/journal.pcbi.1004120.

[68] Классификация (рус.). www.machinelearning.ru. Дата обращения: 1 апреля 2017.

[:5-69] ¹ ² Madhavi K. Ganapathiraju, Mohamed Thahir, Adam Handen, Saumendra N. Sarkar, Robert A. Sweet. Schizophrenia interactome with 504 novel protein-protein interactions // NPJ schizophrenia. — 2016. — Т. 2. — С. 16012. — ISSN 2334-265X. — doi:10.1038/npjschz.2016.12.

[:6-70] ¹ ² Yanjun Qi, Harpreet K. Dhiman, Neil Bhola, Ivan Budyak, Siddhartha Kar. Systematic prediction of human membrane receptor interactions // Proteomics. — December 2009. — Т. 9, вып. 23. — С. 5243–5255. — ISSN 1615-9861. — doi:10.1002/pmic.200900259.

[71] Yanjun Qi, Ziv Bar-Joseph, Judith Klein-Seetharaman. Evaluation of different biological data and computational classification methods for use in protein interaction prediction // Proteins. — 2006-05-15. — Т. 63, вып. 3. — С. 490–500. — ISSN 1097-0134. — doi:10.1002/prot.20865.

[:4-72] ¹ ² PIPs: Human Protein-Protein Interaction Prediction (неопр.). www.compbio.dundee.ac.uk. Дата обращения: 1 апреля 2017.

[73] Sven Mika, Burkhard Rost. Protein-protein interactions more conserved within species than across species // PLoS computational biology. — 2006-07-21. — Т. 2, вып. 7. — С. e79. — ISSN 1553-7358. — doi:10.1371/journal.pcbi.0020079.

[74] Yi-Chao Han, Jia-Ming Song, Long Wang, Cheng-Cheng Shu, Jing Guo. Prediction and characterization of protein-protein interaction network in Bacillus licheniformis WX-02 (англ.) // Scientific Reports. — 2016-01-19. — Т. 6, вып. 1. — ISSN 2045-2322. — doi:10.1038/srep19486.

[75] Weerayuth Kittichotirat, Michal Guerquin, Roger E. Bumgarner, Ram Samudrala. Protinfo PPC: a web server for atomic level prediction of protein complexes // Nucleic Acids Research. — July 2009. — Т. 37, вып. Web Server issue. — С. W519–525. — ISSN 1362-4962. — doi:10.1093/nar/gkp306.

[76] Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Large-scale mapping of human protein interactome using structural complexes // EMBO reports. — 2012-03-01. — Т. 13, вып. 3. — С. 266–271. — ISSN 1469-3178. — doi:10.1038/embor.2011.261.

[77] Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Large-scale mapping of human protein interactome using structural complexes // EMBO reports. — 2012-03-01. — Т. 13, вып. 3. — С. 266–271. — ISSN 1469-3178. — doi:10.1038/embor.2011.261.

[78] Thomas A. Hopf, Charlotta P. I. Schärfe, João P. G. L. M. Rodrigues, Anna G. Green, Oliver Kohlbacher. Sequence co-evolution gives 3D contacts and structures of protein complexes // eLife. — 2014-09-25. — Т. 3. — ISSN 2050-084X. — doi:10.7554/eLife.03430.

[79] Kushal Veer Singh, Lovekesh Vig. Improved prediction of missing protein interactome links via anomaly detection (англ.) // Applied Network Science. — 2017-01-28. — Т. 2, вып. 1. — С. 2. — ISSN 2364-8228. — doi:10.1007/s41109-017-0022-7.

[80] Robert Hoffmann, Martin Krallinger, Eduardo Andres, Javier Tamames, Christian Blaschke. Text mining for metabolic pathways, signaling cascades, and protein networks // Science's STKE: signal transduction knowledge environment. — 2005-05-10. — Т. 2005, вып. 283. — С. pe21. — ISSN 1525-8882. — doi:10.1126/stke.2832005pe21.

[81] Jason McDermott, Roger Bumgarner, Ram Samudrala. Functional annotation from predicted protein interaction networks // Bioinformatics (Oxford, England). — 2005-08-01. — Т. 21, вып. 15. — С. 3217–3226. — ISSN 1367-4803. — doi:10.1093/bioinformatics/bti514.

[82] Seesandra V. Rajagopala, Patricia Sikorski, J. Harry Caufield, Andrey Tovchigrechko, Peter Uetz. Studying protein complexes by the yeast two-hybrid system // Methods (San Diego, Calif.). — December 2012. — Т. 58, вып. 4. — С. 392–399. — ISSN 1095-9130. — doi:10.1016/j.ymeth.2012.07.015.

[83] Albert-László Barabási, Zoltán N. Oltvai. Network biology: understanding the cell's functional organization // Nature Reviews. Genetics. — February 2004. — Т. 5, вып. 2. — С. 101–113. — ISSN 1471-0056. — doi:10.1038/nrg1272.

[84] Kwang-Il Goh, In-Geol Choi. Exploring the human diseasome: the human disease network // Briefings in Functional Genomics. — November 2012. — Т. 11, вып. 6. — С. 533–542. — ISSN 2041-2657. — doi:10.1093/bfgp/els032.

[85] Albert-László Barabási, Natali Gulbahce, Joseph Loscalzo. Network medicine: a network-based approach to human disease // Nature Reviews. Genetics. — January 2011. — Т. 12, вып. 1. — С. 56–68. — ISSN 1471-0064. — doi:10.1038/nrg2918.

[86] Albert-László Barabási, Zoltán N. Oltvai. Network biology: understanding the cell's functional organization // Nature Reviews. Genetics. — February 2004. — Т. 5, вып. 2. — С. 101–113. — ISSN 1471-0056. — doi:10.1038/nrg1272.

[87] Lin Gao, Peng-Gang Sun, Jia Song. Clustering algorithms for detecting functional modules in protein interaction networks // Journal of Bioinformatics and Computational Biology. — February 2009. — Т. 7, вып. 1. — С. 217–242. — ISSN 0219-7200.

[:3-88] ¹ ² Validating the Interactome | The Scientist Magazine® (неопр.). The Scientist. Дата обращения: 1 апреля 2017.

[89] Christoph Doepmann. Survey on the Graph Alignment Problem and a Benchmark of Suitable Algorithms. Expose for Bachelor's Thesis. / Ulf Leser, Andre Koschmieder. — Humboldt-Universitaet zu Berlin, Institut fuer Informatik, 2013.

[90] Roland A. Pache. NetAligner - fast and accurate alignment of protein interaction networks (неопр.). netaligner.irbbarcelona.org. Дата обращения: 1 апреля 2017.

[91] IRB Barcelona (англ.). www.irbbarcelona.org. Дата обращения: 1 апреля 2017.

[:1-92] ¹ ² Cannataro M., Guzzi P. H. Data Management of Protein Interaction Networks. — Wiley Series on Bioinformatics: Computational Techniques and Engineering. — John Wiley and Sons, 2011.

[93] Laura Bonetta. Protein-protein interactions: Interactome under construction (англ.) // Nature. — 2010-12-09. — Vol. 468, iss. 7325. — P. 851–854. — ISSN 0028-0836. — doi:10.1038/468851a.

[94] Co-Immunoprecipitation (Co-IP) (англ.). www.thermofisher.com. Дата обращения: 1 апреля 2017.

[95] HuRI | Home (англ.). interactome.baderlab.org. Дата обращения: 31 марта 2017.

[96] CCSB (англ.). ccsb.dfci.harvard.edu. Дата обращения: 31 марта 2017.

[97] t (неопр.). mint.bio.uniroma2.it. Дата обращения: 1 апреля 2017.

[98] t (неопр.). mint.bio.uniroma2.it. Дата обращения: 1 апреля 2017.

[99] ular genetics group (англ.). www.moleculargenetics.it. Дата обращения: 1 апреля 2017.

[100] Database of Interacting Proteins (неопр.).

[101] Biomolecular Interaction Network Database (неопр.).

[102] Biomolecular Object Network Databank (англ.) // Wikipedia. — 2016-11-19.

[103] Databases in peril (англ.) // Nature Cell Biology. — 2005-07-01. — Vol. 7, iss. 7. — P. 639–639. — ISSN 1465-7392. — doi:10.1038/ncb0705-639b.

[:2-104] ¹ ² GeneMANIA (неопр.). genemania.org. Дата обращения: 1 апреля 2017.

[105] University of Toronto (англ.). www.utoronto.ca. Дата обращения: 1 апреля 2017.

[106] High-quality INTeractomes (неопр.). hint.yulab.org. Дата обращения: 1 апреля 2017.

[107] Yu Lab - Cornell University (неопр.). yulab.icmb.cornell.edu. Дата обращения: 1 апреля 2017.

[108] IntAct. http://www.ebi.ac.uk/intact/ (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.

[109] IntAct. http://www.ebi.ac.uk/intact/about/statistics?conversationContext=8#it (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.

[110] IntAct. http://www.ebi.ac.uk/intact/about/overview;jsessionid=F9BA9ECD507219503D95BBB7E3B21128 (англ.). www.ebi.ac.uk. Дата обращения: 1 апреля 2017.

[111] Mike Tyers Lab. BioGRID | Database of Protein, Chemical, and Genetic Interactions (англ.). thebiogrid.org. Дата обращения: 1 апреля 2017.

[112] BioGRID Database Statistics | BioGRID (англ.). wiki.thebiogrid.org. Дата обращения: 1 апреля 2017.

[113] About the BioGRID | BioGRID (англ.). wiki.thebiogrid.org. Дата обращения: 1 апреля 2017.

[114] Kai Xia, Dong Dong, Jing-Dong J. Han. IntNetDB v1.0: an integrated protein-protein interaction network database generated by a probabilistic model // BMC Bioinformatics. — 2006-01-01. — Т. 7. — С. 508. — ISSN 1471-2105. — doi:10.1186/1471-2105-7-508.

[115] Welcome to DroID: The Comprehensive Drosophila Interactions Database (неопр.). www.droidb.org. Дата обращения: 1 апреля 2017.

[116] Drosophila Interactions database (неопр.). www.droidb.org. Дата обращения: 1 апреля 2017.

[117] TAIR - Home Page (англ.). www.arabidopsis.org. Дата обращения: 1 апреля 2017.

[118] Phoenix Home (амер. англ.). www.phoenixbioinformatics.org. Дата обращения: 1 апреля 2017.

[119] University of Dundee. University of Dundee (англ.). University of Dundee. Дата обращения: 1 апреля 2017.

[120] Welcome to PRIN - Predicted Rice Interactome Network (неопр.). bis.zju.edu.cn. Дата обращения: 1 апреля 2017.

[121] Contact Us (неопр.). bis.zju.edu.cn. Дата обращения: 1 апреля 2017.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

[45]

[46]

[47]

[48]

[49]

[50]

[51]

[52]

[53]

[54]

[55]

[56]

[57]

[58]

[59]

[60]

[61]

[62]

[63]

[64]

[65]

[66]

[67]

[68]

[69]

[70]

[71]

[72]

[73]

[74]

[75]

[76]

[77]

[78]

[79]

[80]

[81]

[82]

[83]

[84]

[85]

[86]

[87]

[88]

[89]

[90]

[91]

[92]

[93]

[94]

[95]

[96]

[97]

[98]

[99]

[100]

@@ Строка 1: / Строка 1: @@
 '''Интерактом''' ({{lang-en|Interactome}}) — термин [[Молекулярная биология|молекулярной биологии]], обозначающий (полный) набор взаимодействий в отдельной [[Клетка|клетке]]. Интерактом включает как непосредственные физические контакты между белками ([[белок-белковые взаимодействия|белок-белковые взаимодействия)]], так и непрямые взаимодействия [[Ген|генов]] (например, [[эпистаз]]).
-Слово «интерактом» было изначально придумано в 1999 году группой французских ученых во главе с Бернардом Жаком<ref name="pmid9847149">{{cite journal|author=Sanchez C|title=Grasping at molecular interactions and genetic networks in Drosophila melanogaster using FlyNets, an Internet database|url=|date=January 1999|journal=Nucleic Acids Res.|issue=1|doi=10.1093/nar/27.1.89|volume=27|pages=89–94|pmid=9847149|pmc=148104|name-list-format=vanc|author2=Lachaize C|author3=Janody F|display-authors=etal}}</ref>. С математической точни зрения, интерактомы чаще всего представляются как [[Граф (математика)|графы]]. Хотя интерактомы являются биологическими сетями, их не следует путать с другими биологическими сетями, такими как [[Нейронная сеть|нейронные]] и [[Трофическая сеть|трофические]].
+Слово «интерактом» было изначально придумано в 1999 году группой французских ученых во главе с Бернардом Жаком<ref name="pmid9847149">{{cite journal|author=Sanchez C|title=Grasping at molecular interactions and genetic networks in Drosophila melanogaster using FlyNets, an Internet database|url=|date=January 1999|journal=Nucleic Acids Res.|issue=1|doi=10.1093/nar/27.1.89|volume=27|pages=89–94|pmid=9847149|pmc=148104|name-list-format=vanc|author2=Lachaize C|author3=Janody F|display-authors=etal}}</ref>. С математической точки зрения, интерактомы чаще всего представляются как [[Граф (математика)|графы]]. Хотя интерактомы являются биологическими сетями, их не следует путать с другими биологическими сетями, такими как [[Нейронная сеть|нейронные]] и [[Трофическая сеть|трофические]].
 '''Интерактомика'''  ({{lang-en|Interactomics}}) — это дисциплина, находящаяся на стыке биоинформатики и биологии, которая занимается изучением взаимодействий и последствий этих взаимодействий между белками и другими молекулами внутри клетки<ref name="Klemer">{{cite journal|last=Kiemer|first=L|year=2007|title=Comparative interactomics: comparing apples and pears?|journal=TRENDS in Biotechnology|volume=25|issue=10|pages=448–454|doi=10.1016/j.tibtech.2007.08.002|pmid=17825444|author2=G Cesareni}}</ref>. Таким образом, целью интерактомики является сравнение сетей взаимодействий (т.е интерактомов) у различных видов или внутри одно вида, для того чтобы узнать, какие черты таких сетей сохранились или изменились. Интерактомику можно рассматривать как пример подхода "сверху вниз" в [[Системная биология|системной биологии]], который 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<ref name="Bruggeman">{{cite journal|last=Bruggeman|first=F J|year=2006|title=The nature of systems biology|journal=TRENDS in Microbiology|volume=15|issue=1|pages=45–50|doi=10.1016/j.tim.2006.11.003|pmid=17113776|author2=H V Westerhoff}}</ref>.
@@ Строка 15: / Строка 15: @@
 Высказывалось предположение, что размер интерактома организма коррелирует с биологической сложностью организма лучше, чем размер генома<ref name="pmid18474861">{{cite journal|author=Stumpf MP|date=May 2008|url=|title=Estimating the size of the human interactome|journal=Proc. Natl. Acad. Sci. U.S.A.|volume=105|issue=19|pages=6959–64|doi=10.1073/pnas.0708078105|pmid=18474861|pmc=2383957|name-list-format=vanc|author2=Thorne T|author3=de Silva E|display-authors=etal}}</ref>. 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.
-Интерактом дрожжей [[Saccharomyces cerevisiae|''Saccharomyces cerevisiae'']], включающий все [[белок-белковые взаимодействия]], по оценкам содержит между 10 и 30 тысячами взаимодействий. Наиболее правдоподобной кажется оценка порядка 20 тысяч взаимодействий. Обычно завышенные оценки получаются при рассмотрении непрямых или предсказанных взаимодействий, часто при использовании комбинации методов [[Аффинная хроматография|аффинной хроматографии]] и [[Масс-спектрометрия|масс-спектрометрии]]<ref name="Uetz20052" />.[[Файл:Yeast_interactome_size_estimate.png|ссылка=https://en.wikipedia.org/wiki/File:Yeast_interactome_size_estimate.png|мини|400x400пкс|Оценки интерактома дрожжевых белков<ref name="Uetz20052">Uetz P. & Grigoriev A. (2005) The yeast interactome. In Jorde, L.B., Little, P.F.R., Dunn, M.J. and Subramaniam, S. (Eds), Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics. John Wiley & Sons Ltd: Chichester, Volume 5, pp. 2033—2051</ref>]][[Ген]]ы взаимодействуют таким образом, что они влияют на функции друг друга. Например, одиночная [[мутация]] может быть безвредна, однако при сочетании с другой [[Мутация|мутацией]] их комбинация может оказаться летальной. О таких [[ген]]ах говорят, что они «генетически взаимодействуют». [[Ген]]ы, связанные таким образом, формируют ''сети генетических взаимодействий.'' Цели изучения этих сетей включают развитие функциональных карт процессов в клетке, идентификацию мишеней лекарств и предсказание функций неохарактеризованных [[ген]]ов.
+Интерактом дрожжей [[Saccharomyces cerevisiae|''Saccharomyces cerevisiae'']], включающий все [[белок-белковые взаимодействия]], по оценкам содержит между 10 и 30 тысячами взаимодействий. Наиболее правдоподобной кажется оценка порядка 20 тысяч взаимодействий. Обычно завышенные оценки получаются при рассмотрении непрямых или предсказанных взаимодействий, часто при использовании комбинации методов [[Аффинная хроматография|аффинной хроматографии]] и [[Масс-спектрометрия|масс-спектрометрии]]<ref name="Uetz20052" />.[[Файл:Yeast_interactome_size_estimate.png|ссылка=https://en.wikipedia.org/wiki/File:Yeast_interactome_size_estimate.png|мини|400x400пкс|Оценки размера интерактома (количества белок-белковых взаимодействий) дрожжевых белков<ref name="Uetz20052">Uetz P. & Grigoriev A. (2005) The yeast interactome. In Jorde, L.B., Little, P.F.R., Dunn, M.J. and Subramaniam, S. (Eds), Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics. John Wiley & Sons Ltd: Chichester, Volume 5, pp. 2033—2051</ref>.]][[Ген]]ы взаимодействуют таким образом, что они влияют на функции друг друга. Например, одиночная [[мутация]] может быть безвредна, однако при сочетании с другой [[Мутация|мутацией]] их комбинация может оказаться летальной. О таких [[ген]]ах говорят, что они «генетически взаимодействуют». [[Ген]]ы, связанные таким образом, формируют ''сети генетических взаимодействий.'' Цели изучения этих сетей включают развитие функциональных карт процессов в клетке, идентификацию мишеней лекарств и предсказание функций неохарактеризованных [[ген]]ов.
 В 2010 году наиболее полный из существующих на тот момент интерактомов генетических взаимодействий для [[Saccharomyces cerevisiae|дрожжей]] был основан на 5.4 млн попарных сравнений генов, описывал взаимодействие 75% всех генов и включал около 170 тысяч взаимодействий. Эти гены были сгруппированы на основе схожести функций для построения функциональной карты клеточных процессов. С помощью этого метода стало возможным предсказание известных генетических функций лучше, чем при помощи любых других геномных данных, а также добавление функциональной информации о ранее не описанных генах. Из этой модели генетические взаимодействия могут рассматриваться на разных уровнях, что поможет в изучении консервативности генов. В ходе исследования было замечено, что отрицательных взаимодействий вдвое больше, чем положительных, и они более информативны. Более того, гены с большим количеством взаимодействий в случае повреждения с большей веротяностью приведут к летальному исходу<ref name="yeast">{{cite journal|author=Costanzo M|title=The genetic landscape of a cell|date=2010-01-22|journal=Science|issue=5964|doi=10.1126/science.1180823|volume=327|pages=425–431|pmid=20093466|displayauthors=etal|name-list-format=vanc|author2=Baryshnikova A|author3=Bellay J}}</ref>.
@@ Строка 195: / Строка 195: @@
 * ''{{Нп5|Populus trichocarpa}}''<ref>{{Статья|автор=Eli Rodgers-Melnick, Mark Culp, Stephen P. DiFazio|заглавие=Predicting whole genome protein interaction networks from primary sequence data in model and non-model organisms using ENTS|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/24015873|издание=BMC genomics|год=2013-09-10|том=14|страницы=608|issn=1471-2164|doi=10.1186/1471-2164-14-608}}</ref>''.''
-== Математические и информатические методы изучения интерактомов ==
+== Математические 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 [[Множество|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 [[Комплексные сети|теории сложных сетей]].
@@ Строка 356: / Строка 356: @@
 В этом направлении наблюдается прогресс, отдельно стоит отметить такие работы, как DIAMOnD<ref>{{Статья|автор=Susan Dina Ghiassian, Jörg Menche, Albert-László Barabási|заглавие=A DIseAse MOdule Detection (DIAMOnD) Algorithm Derived from a Systematic Analysis of Connectivity Patterns of Disease Proteins in the Human Interactome|ссылка=http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1004120|издание=PLOS Computational Biology|год=2015-04-08|том=11|выпуск=4|страницы=e1004120|issn=1553-7358|doi=10.1371/journal.pcbi.1004120}}</ref> - 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 [[Модель Барабаши — Альберт|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 ({{lang-en|disease modules}}) и предложили алгоритм поиска таких модулей.
+=== Предсказание белок-белковых взаимодействий ===
 Помимо составления интерактомов из экспериментальных данных, возможно также '''предсказание связей в интерактомах [[In Silico|in silico]].''' Задачу предсказания связи можно поставить как задачу бинарной классификации<ref>{{Cite web|url=http://www.machinelearning.ru/wiki/index.php?title=%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F|title=Классификация|publisher=www.machinelearning.ru|lang=ru|accessdate=2017-04-01}}</ref>. 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 [[Машинное обучение|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<ref name=":4">{{Cite web|url=http://www.compbio.dundee.ac.uk/www-pips/|title=PIPs: Human Protein-Protein Interaction Prediction|publisher=www.compbio.dundee.ac.uk|accessdate=2017-04-01}}</ref>, использующем [[Наивный байесовский классификатор|наивный Байесовский классификатор]].
+Затем, при помощи информации о свойствах каждого из связанных генов или белков и [[Машинное обучение|методов машинного обучения]] можно определить для каждой связи, к какому классу она относится. Некоторые из используемых характеристик - колокализация белков-кандидатов в клетке, ко-экспрессия их генов, близость генов в геноме и т.д.<ref name=":5">{{Статья|автор=Madhavi K. Ganapathiraju, Mohamed Thahir, Adam Handen, Saumendra N. Sarkar, Robert A. Sweet|заглавие=Schizophrenia interactome with 504 novel protein-protein interactions|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/27336055|издание=NPJ schizophrenia|год=2016|том=2|страницы=16012|issn=2334-265X|doi=10.1038/npjschz.2016.12}}</ref><ref name=":6">{{Статья|автор=Yanjun Qi, Harpreet K. Dhiman, Neil Bhola, Ivan Budyak, Siddhartha Kar|заглавие=Systematic prediction of human membrane receptor interactions|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/19798668|издание=Proteomics|год=December 2009|том=9|выпуск=23|страницы=5243–5255|issn=1615-9861|doi=10.1002/pmic.200900259}}</ref> Одним из успешных методов в такого рода алгоритмах оказался [[Random forest|случайный лес]] (Random forest)<ref>{{Статья|автор=Yanjun Qi, Ziv Bar-Joseph, Judith Klein-Seetharaman|заглавие=Evaluation of different biological data and computational classification methods for use in protein interaction prediction|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/16450363|издание=Proteins|год=2006-05-15|том=63|выпуск=3|страницы=490–500|issn=1097-0134|doi=10.1002/prot.20865}}</ref>. Полученные связи можно взвесить, добавив информацию о вероятности существования такой связи, как это делается, например в нижеописанном проекте PIPs<ref name=":4">{{Cite web|url=http://www.compbio.dundee.ac.uk/www-pips/|title=PIPs: Human Protein-Protein Interaction Prediction|publisher=www.compbio.dundee.ac.uk|accessdate=2017-04-01}}</ref>, использующем [[Наивный байесовский классификатор|наивный Байесовский классификатор]]. Методы машинного обучения применялись для предсказания взаимодействий в интерактоме человека, в частности, в интерактоме [[Мембранные белки|мембранных белков]]<ref name=":6" /> или белков, ассоциированных с [[Шизофрения|шизофренией]]<ref name=":5" />.
-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"<ref>{{Статья|автор=Kushal Veer Singh, Lovekesh Vig|заглавие=Improved prediction of missing protein interactome links via anomaly detection|ссылка=http://appliednetsci.springeropen.com/articles/10.1007/s41109-017-0022-7|язык=En|издание=Applied Network Science|год=2017-01-28|том=2|выпуск=1|страницы=2|issn=2364-8228|doi=10.1007/s41109-017-0022-7}}</ref>. Однако, проблема неточности экспериментальных методов все еще сохраняется.
+На основании экспериментальных данных, связи в интерактомах также можно предсказывать с помощью переноса по гомологии. К примеру, если известны белок-белковые взаимодействия для некоторого организма, можно предположить наличие взаимодействий между гомологичными белками в другом организме. Однако у данного подхода есть определенные ограничения, в основном из-за ненадежности исходных данных, которые могут содержать ложноположительные или ложноотрицательные результаты<ref>{{Статья|автор=Sven Mika, Burkhard Rost|заглавие=Protein-protein interactions more conserved within species than across species|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/16854211|издание=PLoS computational biology|год=2006-07-21|том=2|выпуск=7|страницы=e79|issn=1553-7358|doi=10.1371/journal.pcbi.0020079}}</ref>. К тому же, белки и взаимодействия между ними могут изменяться в ходе эволюции, поэтому некоторые контакты исчезают или, наоборот, возникают. Несмотря на это, с помощью такого подхода было предсказано множество итерактомов, например, для ''Bacillus licheniformis''.<ref>{{Статья|автор=Yi-Chao Han, Jia-Ming Song, Long Wang, Cheng-Cheng Shu, Jing Guo|заглавие=Prediction and characterization of protein-protein interaction network in Bacillus licheniformis WX-02|ссылка=http://www.nature.com/articles/srep19486|язык=En|издание=Scientific Reports|год=2016-01-19|том=6|выпуск=1|issn=2045-2322|doi=10.1038/srep19486}}</ref>
+Некоторые алгоритмы используют экспериментальные данные о структурных комплексах и атомную структуру поверхностей связывания во взаимодействующих белках, чтобы создать детализированные атомарные модели белок-белковых комплексов<ref>{{Статья|автор=Weerayuth Kittichotirat, Michal Guerquin, Roger E. Bumgarner, Ram Samudrala|заглавие=Protinfo PPC: a web server for atomic level prediction of protein complexes|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/19420059|издание=Nucleic Acids Research|год=July 2009|том=37|выпуск=Web Server issue|страницы=W519–525|issn=1362-4962|doi=10.1093/nar/gkp306}}</ref><ref>{{Статья|автор=Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko|заглавие=Large-scale mapping of human protein interactome using structural complexes|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/22261719|издание=EMBO reports|год=2012-03-01|том=13|выпуск=3|страницы=266–271|issn=1469-3178|doi=10.1038/embor.2011.261}}</ref> и комплексов белков с другими молекулами<ref>{{Статья|автор=Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko|заглавие=Large-scale mapping of human protein interactome using structural complexes|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/22261719|издание=EMBO reports|год=2012-03-01|том=13|выпуск=3|страницы=266–271|issn=1469-3178|doi=10.1038/embor.2011.261}}</ref><ref>{{Статья|автор=Thomas A. Hopf, Charlotta P. I. Schärfe, João P. G. L. M. Rodrigues, Anna G. Green, Oliver Kohlbacher|заглавие=Sequence co-evolution gives 3D contacts and structures of protein complexes|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/25255213|издание=eLife|год=2014-09-25|том=3|issn=2050-084X|doi=10.7554/eLife.03430}}</ref>.
+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"<ref>{{Статья|автор=Kushal Veer Singh, Lovekesh Vig|заглавие=Improved prediction of missing protein interactome links via anomaly detection|ссылка=http://appliednetsci.springeropen.com/articles/10.1007/s41109-017-0022-7|язык=En|издание=Applied Network Science|год=2017-01-28|том=2|выпуск=1|страницы=2|issn=2364-8228|doi=10.1007/s41109-017-0022-7}}</ref>. Однако проблема неточности экспериментальных методов все еще сохраняется.
+=== Интеллектуальный анализ текстов ===
+[[Интеллектуальный анализ текста]] (text mining) также пытаются использовать для того, чтобы получать информацию о молекулярных взаимодействиях непосредственно из научной литературы. Такие методы ранжируются от простых алгоритмов, статистически оценивающих вероятность совместного нахождения (в данном случае, взаимодействия) молекул, упомянутых в одинаковом текстовом контексте (например, в одном предложении), до более сложных методов [[Обработка естественного языка|обработки естественного языка]] и [[Машинное обучение|машинного обучения]] для поиска взаимодействий <ref>{{Статья|автор=Robert Hoffmann, Martin Krallinger, Eduardo Andres, Javier Tamames, Christian Blaschke|заглавие=Text mining for metabolic pathways, signaling cascades, and protein networks|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/15886388|издание=Science's STKE: signal transduction knowledge environment|год=2005-05-10|том=2005|выпуск=283|страницы=pe21|issn=1525-8882|doi=10.1126/stke.2832005pe21}}</ref>.
+=== Предсказание функций белков ===
+Сети белковых взаимодействий используются для предсказания функции белков<ref name="Schwikowski2000" /><ref>{{Статья|автор=Jason McDermott, Roger Bumgarner, Ram Samudrala|заглавие=Functional annotation from predicted protein interaction networks|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/15919725|издание=Bioinformatics (Oxford, England)|год=2005-08-01|том=21|выпуск=15|страницы=3217–3226|issn=1367-4803|doi=10.1093/bioinformatics/bti514}}</ref>. Предполагается, что неохарактеризованные белки имеют сходные функции с взаимодействующими с ними белками. Например, YbeB, считавшийся белком с неизвестной функцией, по интерактому взаимодействует с [[Рибосома|рибосомальными]] белками и, как было показано позже, участвует в процессе [[Трансляция (биология)|трансляции]]<ref>{{Статья|автор=Seesandra V. Rajagopala, Patricia Sikorski, J. Harry Caufield, Andrey Tovchigrechko, Peter Uetz|заглавие=Studying protein complexes by the yeast two-hybrid system|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/22841565|издание=Methods (San Diego, Calif.)|год=December 2012|том=58|выпуск=4|страницы=392–399|issn=1095-9130|doi=10.1016/j.ymeth.2012.07.015}}</ref>. Хотя такие предсказания функции могут быть основаны и на одиночном взаимодействии с некоторым белком, обычно имеется информация о нескольких контактах с разными белками. Таким образом, вся сеть взаимодействий может быть использована для предсказания функций белков<ref name="Schwikowski2000" />.
+=== Анализ нарушений и заболеваний ===
+По топологии интерактома можно делать предположения о том, как сеть взаимодействий будет изменяться при нарушении (например, удалении) одного из узлов (белков) или ребер (белковых взаимодействий)<ref>{{Статья|автор=Albert-László Barabási, Zoltán N. Oltvai|заглавие=Network biology: understanding the cell's functional organization|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/14735121|издание=Nature Reviews. Genetics|год=February 2004|том=5|выпуск=2|страницы=101–113|issn=1471-0056|doi=10.1038/nrg1272}}</ref>. Такие нарушения могут вызываться [[Мутация|мутациями]] в соответствующих генах, а полученная сеть взаимодействий будет отражать некоторое [[Болезнь|заболевание]]<ref>{{Статья|автор=Kwang-Il Goh, In-Geol Choi|заглавие=Exploring the human diseasome: the human disease network|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/23063808|издание=Briefings in Functional Genomics|год=November 2012|том=11|выпуск=6|страницы=533–542|issn=2041-2657|doi=10.1093/bfgp/els032}}</ref>. Анализ такой сети может помочь в поиске мишеней лекарств или [[Биомаркер|биомаркеров]] заболеваний<ref>{{Статья|автор=Albert-László Barabási, Natali Gulbahce, Joseph Loscalzo|заглавие=Network medicine: a network-based approach to human disease|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/21164525|издание=Nature Reviews. Genetics|год=January 2011|том=12|выпуск=1|страницы=56–68|issn=1471-0064|doi=10.1038/nrg2918}}</ref>.
+=== Структура и топология сети ===
+Сети взаимодействий можно анализировать методами [[Теория графов|теории графов]]. Параметры сети включают распределение степеней вершин, коэффициенты кластеризации, центральность по посредничеству и другие. Распределение параметров среди белков интерактома показало, что сети взаимодействий часто имеют [[Безмасштабная сеть|безмасштабную топологию]]<ref>{{Статья|автор=Albert-László Barabási, Zoltán N. Oltvai|заглавие=Network biology: understanding the cell's functional organization|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/14735121|издание=Nature Reviews. Genetics|год=February 2004|том=5|выпуск=2|страницы=101–113|issn=1471-0056|doi=10.1038/nrg1272}}</ref>, а функциональные модули внутри сети отражают специализированные подсети<ref>{{Статья|автор=Lin Gao, Peng-Gang Sun, Jia Song|заглавие=Clustering algorithms for detecting functional modules in protein interaction networks|ссылка=https://www.ncbi.nlm.nih.gov/pubmed/19226668|издание=Journal of Bioinformatics and Computational Biology|год=February 2009|том=7|выпуск=1|страницы=217–242|issn=0219-7200}}</ref>. Такие модули могут быть функциональными, как, например, [[Сигнальный путь|сигнальные пути]], или же структурными, образуя [[Мультибелковый комплекс|белковый комплекс]].
 === 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<ref name=":3">{{Cite web|url=http://www.the-scientist.com/?articles.view/articleNo/15743/title/Validating-the-Interactome/|title=Validating the Interactome {{!}} The Scientist Magazine®|publisher=The Scientist|accessdate=2017-04-01}}</ref>, составляет где-то между 25% и 50%.
+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 дрожжевой двугибридной системы, по разным оценкам<ref name=":3">{{Cite web|url=http://www.the-scientist.com/?articles.view/articleNo/15743/title/Validating-the-Interactome/|title=Validating the Interactome {{!}} The Scientist Magazine®|publisher=The Scientist|accessdate=2017-04-01}}</ref>, составляет где-то между 25% и 50%.
-Для контроля качества используются, в основном следующие методы<ref name=":3" />:
+Для контроля качества в основном применяются следующие методы<ref name=":3" />:
 # Использование предыдущих публикаций интерактомных данных в качестве референса;
-# Сопоставление связей, имеющих различную природу. Если белки взаимодействуют (бинарно, как обнаруживает Y2H), то они, возможно, находятся в одном месте в клетке, соответствующие гены [[Экспрессия генов|коэкспрессируются]], а при проведении [[Нокаут гена|нокаутных]] опытов, наблюдаемые [[Фенотип|фенотипы]] должны быть похожи. Соответственно, наблюдение этих событий должно увеличивать оценку вероятности взаимодействия изучаемых генов;
+# Сопоставление связей, имеющих различную природу. Если белки взаимодействуют (бинарно, как обнаруживает дрожжевая двугибридная система), то они, возможно, находятся в одном месте в клетке, соответствующие гены [[Экспрессия генов|коэкспрессируются]], а при проведении [[Нокаут гена|нокаутных]] опытов наблюдаемые [[Фенотип|фенотипы]] должны быть похожи. Соответственно, наблюдение этих событий должно увеличивать оценку вероятности взаимодействия изучаемых генов;
-# Предсказанные ''in silico'' связи могут быть валидизированы при помощи экспериментов.
+# Предсказанные ''in silico'' связи могут быть проверены при помощи экспериментов.
-В интерактомике (при валидации, при применении в поиске причин заболеваний и т.д.) встречается важная задача выравнивания графов ({{lang-en|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<ref>{{Книга|автор=Christoph Doepmann|заглавие=Survey on the Graph Alignment Problem and a Benchmark of Suitable Algorithms. Expose for Bachelor's Thesis.|ссылка=https://www.informatik.hu-berlin.de/de/forschung/gebiete/wbi/teaching/studienDiplomArbeiten/finished/2013/2013/doepmann_expose_130513.pdf|ответственный=Ulf Leser, Andre Koschmieder|издание=|место=Humboldt-Universitaet zu Berlin, Institut fuer Informatik|издательство=|год=2013|страницы=|страниц=|isbn=|isbn2=}}</ref>:
+=== Задача выравнивания графов ===
+В интерактомике (при валидации, при применении для поиска причин заболеваний и т.д.) встречается важная задача выравнивания графов ({{lang-en|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<ref>{{Книга|автор=Christoph Doepmann|заглавие=Survey on the Graph Alignment Problem and a Benchmark of Suitable Algorithms. Expose for Bachelor's Thesis.|ссылка=https://www.informatik.hu-berlin.de/de/forschung/gebiete/wbi/teaching/studienDiplomArbeiten/finished/2013/2013/doepmann_expose_130513.pdf|ответственный=Ulf Leser, Andre Koschmieder|издание=|место=Humboldt-Universitaet zu Berlin, Institut fuer Informatik|издательство=|год=2013|страницы=|страниц=|isbn=|isbn2=}}</ref>:
 Даны два графа <math>G_1 (V_1, E_1)</math> и <math>G_2 (V_2, E_2)</math>. Задана [[функционал]] качества выравнивания <math>Q (G_1, G_1, f)</math> Требуется найти функцию выравнивания <math>f: V_1 \rightarrow V_2</math>, которая максимизирует функционал качества.
@@ Строка 377: / Строка 397: @@
 * Выравнивание белкового комплекса на интерактом;
 * Выравнивание метаболического пути на интерактом;
-* Выравнивание интерактома на интерактом;
+* Выравнивание интерактома на интерактом.
 == Базы интерактомных данных ==

Интерактом: различия между версиями

Версия от 20:56, 7 апреля 2018

Содержание

Сети молекулярных и генетических взаимодействий

Экспериментальные методы создания интерактомов

Изучение интерактомов различных видов живых организмов

Вирусные интерактомы

Бактериофаги

Вирусы человека (млекопитающих)

Бактериальные интерактомы

Эукариотические интерактомы

Предсказанные интерактомы

Математические методы изучения интерактомов

Интерактомика как приложение теории сложных сетей к биологическим задачам

Предсказание белок-белковых взаимодействий

Интеллектуальный анализ текстов

Предсказание функций белков

Анализ нарушений и заболеваний

Структура и топология сети

Валидация интерактомов

Задача выравнивания графов

Базы интерактомных данных

Открытые проблемы интерактомики

Примечания

Ссылки

Навигация

Интерактом: различия между версиями

Версия от 20:56, 7 апреля 2018

Сети молекулярных и генетических взаимодействий

Экспериментальные методы создания интерактомов

Изучение интерактомов различных видов живых организмов

Вирусные интерактомы

Бактериофаги

Вирусы человека (млекопитающих)

Бактериальные интерактомы

Эукариотические интерактомы

Предсказанные интерактомы

Математические методы изучения интерактомов

Интерактомика как приложение теории сложных сетей к биологическим задачам

Предсказание белок-белковых взаимодействий

Интеллектуальный анализ текстов

Предсказание функций белков

Анализ нарушений и заболеваний

Структура и топология сети

Валидация интерактомов

Задача выравнивания графов

Базы интерактомных данных

Открытые проблемы интерактомики

Примечания

Ссылки

Навигация

Поиск