PNAS April 15,2003 vol 100 no.8 4372-4376 원본

• Assessing experimentally derived Interactions in a SmallWorld

Introduction

Watts and Strogatz의 SmallWorld네트워크(=ScaleFreeNetwork)는 다양하게 연구되고 있다. 그리나 이들 네트워크의 위상학이외의 개별 edge의 reliability에 대한 연구는 그리많이 이루어지지 않고 있다.

실험으로 부터 유도되는 BiologicalNetwork들은 자체에 많은 FalsePositive, FalseNegative에러들을 지니고 있다.

본 연구에서는 HighThroughPut error를 포함하고 있을 ProteinProteinInteraction 네트워크를 통해서 네트워크 assess하고자 한다. 이 네트워크는 [Protein] 기능예측에 쓰일수 있으나 이들 에러는 이러한 유추에 영향을 끼친다.

기존엔 edges assess방법으로 다음 각각에 적정 threshold값을 주는 방법을 쓴다.

1. homology

2. Gene expression

3. NetworkTopology

neighborhood cohesiveness를 이용해서 각각의 edge가 기대된 topology를 얼마나 맞추느냐의 방법을 쓴다.

1. mutual clustering coefficient정의.

2. true edge가 FalseNegative edge보다 높은 Cvw를 가짐을 보인다. (true는 SmallWorld 네트워크를, FalseNegative는 random 네트워크를 만들것이므로)

3. SmallWorld네트워크에서 각각의 neighborhood cohesiveness는 일정한지를 검사하고, 각각의 edge를 평가할수 있슴을 보인다.

4. 각각의 Cvw variant를 통해 ProteinProteinInteraction에서의 최적의 Cvw를 결정한다.

5. probabilistic framework를 만든다.
6. 실험적인 확증없이도, 네트워크를 제대로 예측하고, 이를 biomedical literature를 통해 검증한다.

Mutual clustering coefficient

일반적인 clustering coefficient가 아닌, 두 노드간의 mutual clustering coefficient정의. normalization방법에 따라 다음의 네가지 방법 존재

1. Jaccard index
2. Meet/Min
3. Geometric
4. Hypergeometric

ProteinProteinInteraction data

CuraGen's PathCalling Yeast Interaction database를 이용 네트워크를 만들고, IncyteGenomics 의 YeastProteomeDatabase를 이용해서 검증

Correlation between Cvw and validity of interactions

Ranking individual interactions by Cvw

각각을 확률통계적 방법으로 분석해봤더니, Hypergeometric 정의가 가장 유용

Integrating Cvw with Direct experimental evidience

BayesRule를 이용해서 확률모델구현

Predicting ProteinProteinInteraction without direct experimental evidence

Conclusion

Linked책 이후에 네트워크에 대한 이야기는 언제나 관심을 끈다. --yong27/2003-08-08

CategoryPaper