基于功能相关性和WGCNA的蛋白质功能预测

摘要

计算蛋白质组学作为蛋白质结构，动力学和功能的基因组建模方式的出现是生物信息学解决方案的基石。许多许多物种的高通量实验数据和基因组水平序列信息的产生已经简化了对蛋白质进行注解的这一挑战性任务。机器学习技术例如 SVM被用于优化预测。
　　这篇论文结合网络分析方法和功能间相互关系去发现具有协同功能的基因簇，预测蛋白质功能。网络构建和分析的第一个任务是集成多源数据，使用加权的基因共表达网络分析和直推式多标签学习算法进行分类。这个分析鉴别功能保守的网络模式和功能信息不仅在间接关联的蛋白质之间进行传播而且还可以在特定条件下使用基因表达谱的功能相关的蛋白质之间传播。一个有向的双关系图对没有注解的蛋白质指定标签。提出的方法，基于双关系图算法的直推式多标签（Bi-TMF）功能注解方法利用训练和测试数据上的功能相关性和拓扑网络结构特性，通过对单个核的结果进行数据融合去预测蛋白质功能。这种方法的主要目的是提高对蛋白质功能预测的集成分类器的性能。对每个模块进行富集分析验证所预测出的注解和功能意义。
　　论文中探讨了与功能相似性先关的基因表达数据和蛋白质相互作用数据。据报道，结合不同来源的相似性可以保证功能注解的准确性。此外，基因组和蛋白质组学数据的集成可以扩大预测的覆盖范围，提高预测的准确率。
　　这篇论文在理解上下文相关的子网，促进交互网络之间的分析和预测蛋白质新奇的功能上所实现的框架是可扩展的，灵活的。实验结果证明在酵母，人类和老鼠为基准的多源数据集上，与现在已存在的方法相比，本文所提出的方法更加有效，并且效率更高。

目录

声明

1 Introduction

1.1 Background and significance

1.2 Domestic and Overseas Progress

1.3 Research Content and methodology

1.4 Objectives

1.5 Key Problems solved

2 Background

2.1 Protein function

2.2 Interaction Networks

2.3 Function Prediction from Sequence and structure

2.4 Function Prediction from Network-based methods

2.5 Evolution of Protein Interaction Networks

3 Computational methods for protein function prediction

3.1 Datasets

3.2 Network construction

3.3 Network Analysis

3.4 Prediction by Information Integration

4 Results and implementation

4.1 Functional information from network analysis

4.2 Comparison with other methods

4.3 Implementation

Conclusion

参考文献

Research Projects and Publications in Master Study

致谢