跳到主要内容

strongestpath:一种蛋白质 - 蛋白质相互作用分析的细胞照片

摘要

背景

StrongestPath是Cytoscape 3的一个应用程序,能够分析蛋白质相互作用(PPI)网络或信号网络数据库中的两个蛋白质或一组蛋白质之间的相互作用。当交互存在不同的置信度时,应用程序能够处理它们,并识别总置信度得分最高的交互级联。给定一组蛋白质,StrongestPath可以提取一组输入蛋白质之间可能的相互作用,并通过添加相互作用最多、总置信度最高的新蛋白质来扩展网络。该应用程序还可以识别两组不同的转录因子和靶基因之间的任何激活或抑制调节途径。该应用程序可用于内置的人类和小鼠PPI或信号数据库,或任何用户提供的一些有机体的数据库。

结果

我们对来自NetPath数据库的12个信号通路的研究结果表明,该应用程序可以通过发现PPI或信号网络中最强的通路来指示在通路中可能发挥重要作用的蛋白质。

结论

轻松访问多个公共大型数据库,生成在短时间内输出,在一个平台上解决一些关键挑战,并提供用户友好的图形界面,使StrongestPath一个非常有用的应用程序。

背景

就暂时或永久的相互作用而言,蛋白质的团队合作对任何生物过程都是至关重要的。目前已有许多基于实验方法或计算预测的蛋白-蛋白相互作用(PPI)或信号通路数据库。有些数据库对交互分配不同的置信度,例如,对实验验证的交互分配较高的置信度,对计算预测的交互分配较低的置信度。因此,识别受体与转录调节因子之间的级联反应是系统生物学的主要挑战。为了简化这个过程,Cytoscape [12]的开发是为了帮助分子和网络分析,以及可视化分子相互作用网络。其他插件和应用程序可以集成到这个灵活的平台,用于复杂的网络分析和可视化。PesCa [3.],pathexplorer(http://apps.cytoscape.org/apps/pathexplorer)和pathlinker [4.5.的例子,这些应用程序可以计算生物网络中的路径。

我们开发了StrongestPath,一个Cytoscape 3.0应用程序,以解决在分析PPI或信号网络期间的三个关键挑战。第一个挑战是在一个大型PPI或信号网络中识别级联的相互作用,作为调节或信号通路。在许多实验研究中蛋白质的扰动一种观察到影响蛋白质B.,而是相互作用的级联一种B.是未知的。StrongestPath解决的第二个挑战是扩大输入蛋白质的亚网络,要么从PPI或信号数据库列表中提取它们的成对相互作用,要么添加更多更有可能产生蛋白质复合物或与输入蛋白质密集相互作用的蛋白质。为了解决这一挑战,StrongestPath着眼于整个PPI或信号网络,并以与给定蛋白质组相互作用的最大总置信度识别蛋白质。这一特征可用于识别蛋白质复合物、生物过程或核心调控电路中的未知元素。第三个挑战是识别两组不同蛋白质之间的激活或抑制调节途径。例如,当对一种现象的研究中识别出一组基因时,研究人员就公共数据库中报告的经实验验证的数据,试图回答与该现象相关的转录因子和已识别的基因之间是否存在调控途径[6.].

ShibleStPath附带两种类型的内置数据库:(i)人和小鼠的一些PPI和信令网络,包含在公共数据库中记录的交互,(ii)蛋白质命名数据库,其中包含11种不同的基因和蛋白质的符号和登录ID不同的数据库。此外,用户可以提供自己的网络和命名法数据集。这允许偏出​​任何生物,PPI,基因监管网络和信号转导网络。

我们对来自NetPath数据库的12条信号通路的研究结果表明,识别最强的通路有助于通路重建。此外,由于不同数据库中存储的交互可能不同,因此需要同时搜索多个数据库。在可用的Cytoscape应用中,在功能上与我们最相似的应用是PathLinker,它是路径重建的最先进算法[4.5.].因此,我们只将我们的应用程序与Pathlinker进行比较。总之,我们的贡献是一个应用程序(strongestPath),可轻松访问多个公共大型数据库,在短时间内生成输出,并解决具有用户友好的图形界面的一个平台中的三个关键挑战。

实现

我们设计了四个主要面板,包括选择数据库最强径扩张监管途径.在下面,我们分别描述每个面板。

选择数据库

我们用Java开发了StrongestPath,并使用R脚本对所需的数据库进行预处理。我们使用了NCBI [7.]及UniProt [8.]构建内置蛋白质编码基因的命名数据库的数据库,允许我们使用11种不同的基因或蛋白质加入号中的任何一种,包括Entrez基因ID,官方基因符号,别名,Uniprot基因ID,Ensembl(基因,转录物和肽),Refseq(肽和mRNA),反应体ID和串ID。我们还将应用程序与来自包括字符串(包括String)的公共数据库的一些PPI,信令和监管网络提供[9.], HitPredict [10.],嬉皮[11.](仅供人类使用),KEGG [12.],反应[13.]及信托[6.].目前,该应用程序支持人类和小鼠物种。

一旦用户启动应用程序,如果互联网连接可用,应用程序将更新支持物种的列表,用户只需点击下载/更新数据库按钮。自网络数据在公共数据库往往是非常大的,我们删除任何不必要的信息从网络数据,然后转换基因加入网络数据的标识符内置注释文件中的行号和生产网络数据与小尺寸与原来的相比。目前,下载的数据可以存储在一个空闲空间不足1GB的硬盘驱动器上,该应用程序可以在不依赖互联网连接的情况下使用。

此外,用户可以使用自己的数据,包括注释文件和网络文件的应用程序。注释文件是一个选项卡分隔的文件,包含网络节点的不同类型的标识符。在这个文件中,每一行引用网络的一个特定节点,每一列代表一个必须用逗号分隔的不同标识符类型的列表。只有用于标记节点的注释文件的第一列是必需的。任何附加列都是可选的。网络文件为制表符分离的文件,包含三列,其中每一项交互都在一行中报告,列分别代表源节点、目标节点和置信度得分(即0到1之间的概率值)。为了调用网络文件中的每个节点,可以使用注释文件中给出的所有不同的登录标识符。

如前所述,StrongestPath在三个不同的面板中实现不同的场景最强径扩张,监管途径.在应用程序的每次运行中,应按下加载所选物种的内置数据库或用户提供的数据加载数据库按钮,在选择数据库面板(见图.1)。

图1
图1

StrongestPath的视图有四个面板:一种选择数据库,B.最强的路径,C展开D.监管途径

最强的路径

我们使用交互置信度分数来分配0到1之间的权重到PPI或信令网络的每个边缘。考虑到两组源和靶蛋白,目标是鉴定将至少一个源蛋白的最强的路径识别到至少一种靶蛋白。源和靶之间的任何长度的可能途径的数量可能非常高,并且找到具有高度自信相互作用的短路并不简单。假设置信度分数作为相互作用的概率,我们将最强的路径定义为最可能的相互作用链,即具有最大边缘权重产品的路径。在不同的网络中,最强的路径可能具有不同的解释。虽然最强的路径可以代表两组蛋白之间最可能的相互作用链,但是它还代表线性信令路径,而给定图是信令网络[14.15.].

很容易证明,识别具有最大边权积的一般图的两个节点之间的路径是np -完全的。这可以通过简化哈密顿路径问题来实现,哈密顿路径问题是一个np完全问题。通过给每条边分配一个常数权值2,这个问题就等同于哈密顿路径,它也是np完备的。然而,我们做了一个“对偶”图,它的边集与原图相同,但修改了权值,使用它可以在多项式时间内找到精确解。唯一的要求是所有的原始权值都应该是0到1之间的实数。当初始权重为交互概率时,就满足了这一要求。

考虑加权指示或无向图形G与所有边缘重量一样,正为实数不大于1,我们称之为“原始”图。两个不相交的节点子集一种B.也来自于G作为源节点和目标节点。目标是一条路\(y(a,b)\)从所有可能的路径集中S.从任意节点一种到任何节点B与最大路径权值:

$$ Y(A,B)= \ mathrm {ARG} {MAX} _ {\ PI \在S} W(\ PI)$$

的重量w(\ \(π(a, b)) \)的路径\(\ pi(a,b)\)节点之间\(一种\)\(b \)是DATH EDGESH的权重的产物。如果有两个具有相同路径重量的路径,则具有较少数量的边的路径被认为是最强的路径。在我们的方法中,我们使用持续的惩罚因素D.惩罚长路径。D.是我们的方法的封锁,控制最强路径长度的重要性。我们通过更改每个交互(边缘)的权重创建双图E.(w(e)= - (logd + logp(e))\).对所有人\ (0 < P (e) le 1 \ \),在那里E.是图中的任何边缘,并且D.= 0.95,\( - (logd + logp(e))\)总是一个正的有界实数。因此,我们可以在对偶图上应用普通最短路径算法(即Dijkstra算法)来寻找最强路径\(y(a,b)\).为了找到两组节点之间的最强路径,我们在网络中添加一个超级源和一个超级汇,将一组连接到超级源,另一组连接到超级汇。该方法将多源多汇最短路径问题简化为单源单汇最短路径问题。

我们还修改了算法能够找到子最佳最强的路径(即,概率较少的路径比最大值略低于最大值)。对于给定的正实价值\ε(\ \),我们定义\ε(\ \)a和b之间的最高路径如下:

$ $ {X} _{\ε}(A, B) = \ {| X \ S w (X) \ le w (y (A, B)) + \ε\}$ $

在哪里\ (w (y (A, B)) \)为对偶图中最优最短路径的长度。因为有些图中a到b的路径数可以是指数级的\((1+ \ epsilon)\),发现的所有路径\({x} _ {\ epsilon} \)会耗时。然而,寻找在相互作用链中起重要作用的中间蛋白一种B.适用于大多数应用。因此,我们定义\ ({V} _{\ε}\)作为在至少一个中看到的一组节点\ε(\ \)最强的路径。找到\ ({V} _{\ε}\),我们使用双图和每个节点V.,我们定义(v) \ \ ()作为最短路径的距离的任一节点的权重一种V.和类似的\ (b (v) \)是最短路径的重量V.到任何节点B..只有节点\ ((v) + b (v) \ le w (y (a, b)) + \ε\)被插入到该组\ ({V} _{\ε}\)和诱导的子图\ ({V} _{\ε}\)将显示在输出图中为了更好地显示结果,采用广度优先搜索(BFS)算法计算每个节点的距离一种.然后相应地分配节点的颜色和位置。

使用最强径面板中,用户可以找到连接至少一个源蛋白到一个目标蛋白的最强路径,如上所述。通过输入应用程序中支持的任何附加基因标识符,源基因和目标基因的逗号分隔列表可以作为输入给应用程序。如图所示。1,也可以通过每个基因包含一行的文本文件给出基因列表。通过从其中一个默认类型中选择网络类型,将显示应用程序中支持的该类型的网络列表以供选择。这显示最强的路径按钮搜索所选网络中的源节点和目标节点之间的最强路径,并将每个所选网络的输出可视化为一个单独的网络。在进行任何搜索之前,用户必须选择至少一个源基因、一个目标基因和一个网络。如图所示。1,在面板的底部提供滑块。通过增加由滑块确定的阈值,用户可以在源极和目标节点之间找到源极和目标节点之间的子最佳最强路径。当增加阈值参数时,最强路径的数量呈指数增长,输出图将是密集的。通过选择稀疏选项,识别出至少一个最强路径中看到的所有蛋白质,并且将显示相应的路径。此功能可节省运行时间并使输出网络稀疏。

扩张

在此面板中,输入蛋白质的列表被提供给应用程序和应用程序返回一个包含输入的蛋白质和它们的连接选择的背景网络中的第一步骤中的网络。当给出一个正整数N作为输入时,通过添加扩展网络N与网络中蛋白质相互作用的总权重最大的蛋白质。输入基因的列表可以直接输入到应用程序中,也可以提供文本文件。整个应用程序中的输入格式与前面提到的类似。选择网络类型后,给出应用程序中加载的网络列表供选择,如图所示。1.这显示网络按钮搜索基于在所选择的数据库中报告的交互输入的基因之间的相互作用的网络。如果用户选择一个以上的数据库,其中每个数据库相关联的网络示于Cytoscape的分开。这些网络中的每一个都可以通过一些近邻的点击扩大展开网络按钮。

监管途径

要回答源基因、编码转录因子和靶基因之间是否存在激活或抑制途径,用户可以使用监管途径面板(图。1)。在此面板中,应用程序搜索Trrust数据库[6.],一个实验验证的数据库,包含具有规范信息模式的人类TF目标链路,以识别监管路径。我们使用BFS算法计算任何一对源和目标基因之间的最短路径。在这种情况下,我们将最短路径定义为具有最小链路数的路径连接源和目标基因。如果可用路径可用,则根据关于Trrust中的规则模式的信息,分别分配+ 1和-1的权重和禁止路径的链接[6.].在最简单的情况下,每个调控途径都有两种情况,即源基因水平的改变导致靶基因水平的改变。如果源基因的存在就意味着靶基因的存在,反之,源基因的缺失就意味着靶基因的缺失,这条路径就称为激活路径。相反的情况对应于抑制路径。因此,如果边权积为+ 1,则定义最短路径为激活路径,否则定义最短路径为抑制路径。

在该面板中,源和目标基因可以作为输入的应用,类似于其他面板。目前,申请中只提供了Trrust数据库以查找规范路径。按下了显示管理路径按钮时,应用程序根据TRRUST数据库中上报的信息,计算出上述所定义的源基因与目的基因之间所选择的调控方式的调控路径。

结果

最强的路径

为了证明StrongestPath的有效性,我们使用了NetPath中提供的12条信令途径[16.)数据库。每个通路的信号受体和转录因子通过NetSlim进行鉴定[17.]及MSigDB [18.]数据库分别。对于每一个途径中,受体和TFS分​​别给定为源和靶基因的应用,然后我们使用的应用程序找到在后台网络源和目标之间的最强路径(一个或多个)。由于两种类型的网络包括信令网络和蛋白相互作用网络的可在应用程序为背景网络来选择,我们选择KEGG和STRING网络中单独的运行。当前版本KEGG网络的用于人类物种,来自所有KEGG信号传导途径的聚合衍生的,包括6326个蛋白质和61980间的相互作用。由于KEGG是策展的数据库,所有的网络交互的概率得分被认为等于1的字符串网络为人类物种是由18725克的蛋白质和超过500万间的相互作用的一个非常大的蛋白质相互作用网络,以及所有环节进行了加权由0和1之间的置信度得分虽然背景网络,特别是STRING网络,是非常大的,则应用程序是能够找到在几秒钟的多个源和目标基因之间的最强的路径(一个或多个)。除了最强的路径(S),我们还通过增加阈值参数三次标识的STRING网络在源和目标基因之间的次最优路径最强(一个或多个)。由于KEGG的所有链路具有相同的概率得分,在该路径链路的数量确定的路径和增大阈值参数的权重。在大多数情况下,它会导致加入大量基因检测到的子网的。因此,我们使用的应用程序以识别包含在路径的中途的至少一个基因的KEGG网络中唯一的源和目标基因之间的最强的路径(一个或多个)。 To assess the performance of the application, for each pathway, we investigated how many of the genes found by the application in each run were already known as pathway genes in the NetPath database. The obtained results are given in Tables12

表1通过使用KEGG后台网络应用程序识别的最强路径(多个)的细节
表2应用程序使用STRING背景网络在四次独立运行中识别出的最强路径和次最优路径的详细信息

所有途径见表1在该研究中,我们使用KEGG网络找到每个通路的受体和转录因子之间最强的通路,应用程序发现的基因中超过50%已经在NetPath数据库中被称为通路基因。同样,当使用STRING网络时,如Table的第一列所报告的那样2(即迭代1),在识别出的最强路径中,大约80%的基因(有些路径100%)被报告为NetPath数据库中的路径基因。如表的下一列所示2(即迭代2,3和4),通过增加阈值参数并识别子最优最强的路径,该量将减小。

我们的结果表明,该应用程序可以通过在KEGG等信号网络或STRING等蛋白质相互作用网络中找到最强的路径,来识别哪些基因可以在通路中间发挥作用。由于这些网络在人类和小鼠的应用程序中都是可用的,所以与类似的Cytoscape应用程序(如PathLinker)相比,StrongestPath可以更容易地使用。未来可以添加更多的物种到应用程序中,无需任何新的安装,同时,通过手动给应用程序添加注释和网络文件,应用程序可以用于其他物种。

在两个表12,发现基因的数量是指通过最强路径中间的应用发现的基因数。而且,途径基因的数量是已知属于特定途径的该组发现基因的基因数。对于每种途径,通过超光测量分布计算p值,以定量评估应用输出与途径基因之间重叠的重要性。我们在r中使用了“Phyper”功能来计算P.值和错误发现率(FDR)用于解释多次检测。当fdr修正的p值接近于零时,这意味着最强途径中的大多数基因已经被确定为特定途径的基因,这不是偶然发生的。

根据上述信号传导途径的所得结果,通过考虑不同的PPI或信令网络作为背景网络来分析源基因之间的最强路径可以检测到路径中间的不同组蛋白质,略微常见的。因此,研究人员可以轻松使用申请中提供的多个PPI或信令网络的ShibleStPath,以找到可以在源蛋白和靶蛋白之间的途径中发挥重要作用的蛋白质。

扩张

如前所述,膨胀面板可用于识别蛋白质复合物,生物过程或核心调节电路的未知元素。为了证明在膨胀面板中的应用的功能,已经选择了与蛋白酶体,呼吸电子传输,氨基酰基-TRNA生物合成和过氧缺菌途径相关的四种不同的蛋白质复合物,分别来自每个复合物的一种蛋白质PSMA1.NDUFA9拉尔斯PEX5,已给予应用程序在单独运行。在每次运行中,我们将网络扩展两次,每次从STRING数据库中识别出与现有蛋白质相互作用最强的5个蛋白质,并将其添加到网络中。如图所示。2,添加到每个网络中的所有蛋白质都属于相同的蛋白质复合物,参与类似的信号通路。

图2
图2.

使用扩展面板来识别四个蛋白质复合物中的蛋白质的一个例子:一种蛋白酶体,B.呼吸电子传递,C氨基酰基 - TRNA生物合成,和D.过氧物酶体

监管途径

正如前面所讨论的,监管面板可被用于识别两个活化和源基因之间抑制性调节路径,编码转录因子,和靶基因。在这里,我们提供了一个例子来说明该面板的生物实用程序。这TP53基因编码TF作为肿瘤抑制因子。目标基因的p53在多个生物过程中发挥作用,包括细胞周期阻滞和DNA修复。假设我们有一个细胞周期基因列表,包括CDK1.CCNB1CDC25C.MYBL2PLK1.PGF.TGFA,以及一组DNA修复基因,包括RAD51MSH2和MLH1,我们希望鉴定P53直接或间接靶向哪种基因。鉴于TP53基因作为源基因和细胞周期基因和DNA修复基因作为靶基因,调节面板检索源TF和靶基因之间的任何抑制和激活路径。有趣地,应用程序的结果,如图2所示。3.,符合[19.].在无花果。3.,用绿色彩色的靶基因包括PGF.TGFA一种被实验证实是由[19.].此外,确认了p53基因还抑制细胞周期基因诸如CDK1.CCNB1CDC25C.MYBL2PLK1..此外,一些DNA修复基因,包括MSH2RAD51据报道,P53基因间接抑制[19.].

图3
图3.

一个使用监管面板查找监管路径的示例,一种激活和B.之间的抑制,TP53和一组细胞周期停滞和DNA修复基因。绿色和红色的颜色用于着色在输出激活性和抑制性链接。上调和下调的靶基因也有色用绿色和红色分别。

与路径目的的比较

在本节中,我们只比较了与路径目的的ShibleStPath,这是一个Cytoscape应用程序,与其他用于途径重建的相比具有更好的准确性,如[4.5.].路径链接器使用A*增广的Yen算法来查找\ (k \)- 最棘手的路径\ \ ()\(b \),如上所定义。鉴于网络\(n \)节点和\(m \)链接,PathLinker运行\(o(nk(m + nlogn))\),算法的运行时间与值成线性比例\ (k \).strondestpath仅在原始图中执行Dijkstra的算法,一次在原始图上,并在双图上进行一次。所以,无论的价值如何\ε(\ \),strondestpath运行\ (O (m + nlogn) \).因此,ShibleStPath运行\(O(NK)\)时间比路径光线更快。

要在精度和回忆措施方面比较这两种应用,应用程序用于重建三种信号通路\ (WNT \)\(tgf \ beta \),\(TNF \阿尔法\).对于每个路径,源节点和目标节点的集合类似于[5.],在两个应用中使用作为输入集,我们将路径链路网络用作背景网络。路径链路网络是一种加权网络,其包含来自许多蛋白质 - 蛋白质相互作用和信令通路数据库的路径利用者应用的作者构建的12,046个节点和152,094个定向链接[4.].我们用10个不同的值来执行StrongestPath和Pathlinker\ε(\ \)\ (k \),分别。对于每个值\ε(\ \),相应的价值\ (k \)被确认。正如预期的那样,由于在两个应用程序中使用了相同的思想,因此在寻找最强路径方面,应用程序的输出是类似的。然而,每个应用程序使用不同的算法与不同的运行时复杂性,以寻找基因涉及次优最强路径,即\ε(\ \)最强的路径。正如前面提到的,涉及每个通路基因列表是使用NETPATH数据库标识。精度是在鉴定的基因中参与途径的基因的分数\ε(\ \)最强的路径。召回是指在\ε(\ \)最强的路径。对于每个途径,我们计算了使用k和k的增加值的两种应用的输出的精度和回忆措施\ε(\ \).如图所示。4.,当参数值较大时,StrongestPath的性能要优于PathLinker\ (k \)\ε(\ \)

图4
图4.

StrongestPath和PathLinker的三个信号通路的精确回忆图包括:一种\ (WNT \)B.\(tgf \ beta \),C\(TNF \阿尔法\)

在运行时间方面,每个HorthEstPath都花了大约一秒钟,而路径目的则需要更多时间,特别是对于大值\ (k \)作为报道[5.](见表3.)。此外,如果我们在路径链路中选择包含的绑定路径参数,则存在大量的路径与相似的边缘权重乘积K.- 最强的道路。因此,由于路径链路的时间复杂性,发现所有这些路径都不是计算不可行的。例如,使用\(TNF \阿尔法\)路径,当我们改变了价值\ (k \)到10,000,路径目的无法识别与边缘重量的乘积相似的所有路径K.即使在30分钟后,也能达到最强路径。

表3 StrongestPath和PathLinker使用的三个信号通路的时间比较\ (WNT \)\(tgf \ beta \),\(TNF \阿尔法\)增加值K.

此外,出于下面列出的原因,strondestPath比路径链接更适用:

  1. 1.

    PathLinker和StrongestPath都允许用户使用自己的网络。此外,StrongestPath允许从KEGG和STRING等公共数据库中使用大型网络。为了在PathLinker中实现同样的目标,必须手动加载这些数据,这对于像STRING这样的大型网络来说是不可能的。

  2. 2。

    用户可以通过多种不同的命名方式将蛋白质列表输入到StrongestPath中。因此,用户不需要知道他们输入蛋白质的一个特定标识符,而且在大多数情况下,在使用我们的应用程序之前,不需要进行ID映射。

  3. 3.

    在当前版本的ShibleStPath中,还可以使用大跑数据库来完成转录因子和靶基因之间的调节路径(激活/抑制)。

结论

综上所述,StrongestPath是Cytoscape在蛋白质相互作用和信号网络分析方面的应用。它允许用户搜索最强最强的路径(s)或次优路径(s)在PPI或信号通路重建网络,创建和扩展网络的蛋白质之间的相互作用,并探讨TFs之间的激活或抑制调控路径和目标基因在一份监管网络。易于访问一些大型的公共人类和老鼠物种数据库,以及友好的图形界面,使该应用程序的用户更加方便。此外,该应用程序可以很容易地扩展,以支持更多的物种和来自更多公共数据库的网络,而无需安装仅与互联网连接的另一个版本的应用程序。

可用性数据和材料

在当前研究期间生成和分析的所有数据集可在GitHub存储库中使用,[http://github.com/zmousavian/strongestpath.].

可用性和要求

项目名:strongestPath:一种蛋白质 - 蛋白质相互作用分析的细胞照片。

版本:2.0。

操作系统:平台独立的。

编程语言:Java。

软件要求:Cytoscape 3.0(http://www.cytoscape.org/)。

许可:GPL。

非学术界使用的任何限制:一个也没有。

参考文献

  1. 1.

    陈建平,等。Cytoscape:一个整合生物分子相互作用网络模型的软件环境。基因组研究》2003;13(11):2498 - 504。

    中科院文章谷歌学术搜索

  2. 2。

    Smoot Me,等。Cytoscape 2.8:数据集成和网络可视化的新功能。生物信息学。2011; 27(3):431-2。

    中科院文章谷歌学术搜索

  3. 3.

    Scardoni G等人。,找到PESCA的最短路径:网络重建工具。F1000Research,2015. 4。

  4. 4.

    ritz a等人。途径按需:人信令网络自动重建。NPJ SYST BIOL APPL。2016; 2(1):1-9。

    谷歌学术搜索

  5. 5。

    PathLinker应用程序:连接蛋白质相互作用网络中的点。F1000Research, 2017; 6。

  6. 6.

    韩华,等。人类和小鼠转录调控相互作用的扩展参考数据库。核酸Res. 2018;46(D1): D380-6。

    中科院文章谷歌学术搜索

  7. 7.

    巴雷特等。NCBI GEO:挖掘数千万的表达式概要-数据库和工具更新。核酸Res. 2006;35(suppl_1): D760-5。

    PubMed.公共医学中心谷歌学术搜索

  8. 8.

    Consortium U. Uniprot:蛋白质信息的集线器。核酸RES。2015; 43(D1):D204-12。

    文章谷歌学术搜索

  9. 9.

    szklarczyk d,等。2011年的字符串数据库:蛋白质的功能交互网络,全球整合和得分。核酸RES。2011; 39(4):D561-8。

    中科院文章谷歌学术搜索

  10. 10.

    López Y, Nakai K, Patil A, HitPredict version 4:来自100多个物种的物理蛋白质-蛋白质相互作用的综合可靠性评分数据库,2015,2015。

  11. 11.

    alanis-lobato g,andrade-navarro ma,schaefer mh。Hippie V2.0:提高蛋白质 - 蛋白质相互作用网络的有意义和可靠性。核酸res 2016,p gkw985。

  12. 12.

    KEGG:京都基因和基因组百科全书。核酸学报2000;28(1):27-30。

    中科院文章谷歌学术搜索

  13. 13。

    克罗夫特D等人。反应:反应,途径和生物过程的数据库。核酸RES。2010; 39(1):D691-7。

    PubMed.公共医学中心谷歌学术搜索

  14. 14。

    HüffnerF,Wernicke S,Zichner T. Faspad:快速信令路径检测。生物信息学。2007; 23(13):1708-9。

    文章谷歌学术搜索

  15. 15.

    等。信号转导网络的自动化建模。BMC Bioinform。2002;3(1):34。

    文章谷歌学术搜索

  16. 16。

    等。一个收集信号转导通路的公共资源。基因组医学杂志。2010;11(1):1 - 9。

    文章谷歌学术搜索

  17. 17.

    Raju R et al., NetSlim:高可信度策划信号图。数据库,2011,2011。

  18. 18.

    等。分子特征库(MSigDB) 3.0。生物信息学。2011;27(12):1739 - 40。

    中科院文章谷歌学术搜索

  19. 19.

    Fischer M. P53靶基因的人口普查和评估。oncogene。2017; 36(28):3943-56。

    中科院文章谷歌学术搜索

下载参考

致谢

作者感谢Marcos J.Araúzo-Bravo,Mehrdad Tahvilian和Mehdi Sadeghi在插件开发中获得了宝贵的评论,并感谢Faezeh Shekari对信令路径的有用评论。我们还感谢Razieh Karamzadeh博士来设计应用的徽标。我们使用了基础科学研究所IPM,德黑兰和Max Planck分子生物医学研究所,Muenster的计算机集群。

资金

没有资金。

作者信息

从属关系

作者

贡献

ZM和ASZ发展的理论框架,构思的想法插件和设计软件架构。MK,AN和AM实现StrongestPath,ZM和空中安全区的监督下。ZM和ASZ监督项目和协调研究团队。ZM和ASZ写文章。所有作者阅读并认可的终稿。

相应的作者

对应到穆萨维安姗姗来迟

伦理宣言

伦理批准和同意参与

不适用。

同意出版物

不适用。

利益争夺

两位作者宣称他们没有相互竞争的利益。

附加信息

出版商的注意

欧宝体育黑玩家Springer Nature在发表地图和机构附属机构中的司法管辖权索赔方面仍然是中立的。

权利和权限

开放访问本文根据创意公约归因于4.0国际许可证,这允许在任何中或格式中使用,共享,适应,分发和复制,只要您向原始作者和来源提供适当的信贷,提供了一个链接到Creative Commons许可证,并指出是否进行了更改。除非信用额度另有说明,否则本文中的图像或其他第三方材料包含在文章的创造性公共许可证中,除非信用额度另有说明。如果物品不包含在物品的创造性的公共许可证中,法定规定不允许您的预期用途或超过允许使用,您需要直接从版权所有者获得许可。要查看本许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.创作共用及公共领域专用豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信贷额度中另有说明。

再版和权限

关于这篇文章

通过CrossMark验证货币和真实性

引用这篇文章

Mousavian Z., Khodabandeh, M., Sharifi-Zarchi, A.。等等。strongestPath:一种蛋白质 - 蛋白质相互作用分析的细胞照片。欧宝娱乐合法吗22,352(2021)。https://doi.org/10.1186/s12859-021-04230-4

下载引用

关键词

  • 蛋白质蛋白质相互作用网络
  • 信号网络
  • 途径重建
  • 监管途径
  • Cytoscape应用