Vorhersage von Protein-Protein-Interaktionen ausschließlich basierend auf Sequenzinformationen

Protein-Protein-Interaktionen (PPIs) sind zentral für die meisten biologischen Prozesse. Obwohl Anstrengungen unternommen wurden, um Methoden zur Vorhersage von PPIs und Protein-Interaktionsnetzwerken zu entwickeln, ist die Anwendung der meisten bestehenden Methoden eingeschränkt, da sie Informationen über die Homologie von Proteinen oder die Interaktionsmerkmale der Proteinpartner benötigen. In der vorliegenden Arbeit schlagen wir eine Methode zur PPI-Vorhersage vor, die ausschließlich auf den Informationen von Proteinsequenzen basiert. Diese Methode wurde basierend auf einem Lernalgorithmus – Support Vector Machine – entwickelt, kombiniert mit einer Kernel-Funktion und einem conjoint Triad-Feature zur Beschreibung von Aminosäuren. Mehr als 16.000 diverse PPI-Paare wurden verwendet, um das universelle Modell zu konstruieren. Die Vorhersagefähigkeit unseres Ansatzes ist besser als die anderer sequenzbasierter PPI-Vorhersagemethoden, da sie in der Lage ist, PPI-Netzwerke vorherzusagen. Verschiedene Typen von PPI-Netzwerken wurden effektiv mit unserer Methode abgebildet, was darauf hindeutet, dass diese Methode, selbst mit nur Sequenzinformationen, auf die Exploration von Netzwerken für jedes neu entdeckte Protein mit unbekannter biologischer Relevanz angewendet werden könnte. Darüber hinaus können solche ergänzenden experimentellen Informationen die Vorhersagefähigkeit der Methode verbessern.