論文の概要: The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks

• arxiv url: http://arxiv.org/abs/2503.03904v1
• Date: Wed, 05 Mar 2025 21:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:50.690461
• Title: The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks
• Title（参考訳）: タンパク質-タンパク質相互作用ネットワークにおける学習表現のための符号付き2空間近接モデル
• Authors: Nikolaos Nakis, Chrysoula Kosma, Anastasia Brativnyk, Michail Chatzianastasis, Iakovos Evdaimon, Michalis Vazirgiannis,
• Abstract要約: 複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、生物学的プロセスの復号に不可欠である。 署名されたPPIネットワークに対して,S2-SPM(Signed Two-Space Proximity Model)を提案する。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。
• 参考スコア（独自算出の注目度）: 16.396309363020908
• License:
• Abstract: Accurately predicting complex protein-protein interactions (PPIs) is crucial for decoding biological processes, from cellular functioning to disease mechanisms. However, experimental methods for determining PPIs are computationally expensive. Thus, attention has been recently drawn to machine learning approaches. Furthermore, insufficient effort has been made toward analyzing signed PPI networks, which capture both activating (positive) and inhibitory (negative) interactions. To accurately represent biological relationships, we present the Signed Two-Space Proximity Model (S2-SPM) for signed PPI networks, which explicitly incorporates both types of interactions, reflecting the complex regulatory mechanisms within biological systems. This is achieved by leveraging two independent latent spaces to differentiate between positive and negative interactions while representing protein similarity through proximity in these spaces. Our approach also enables the identification of archetypes representing extreme protein profiles. S2-SPM's superior performance in predicting the presence and sign of interactions in SPPI networks is demonstrated in link prediction tasks against relevant baseline methods. Additionally, the biological prevalence of the identified archetypes is confirmed by an enrichment analysis of Gene Ontology (GO) terms, which reveals that distinct biological tasks are associated with archetypal groups formed by both interactions. This study is also validated regarding statistical significance and sensitivity analysis, providing insights into the functional roles of different interaction types. Finally, the robustness and consistency of the extracted archetype structures are confirmed using the Bayesian Normalized Mutual Information (BNMI) metric, proving the model's reliability in capturing meaningful SPPI patterns.
• Abstract（参考訳）: 複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、細胞機能から疾患機構に至るまで、生物学的プロセスの復号に不可欠である。 しかし、PPIを決定する実験手法は計算コストが高い。 したがって、最近は機械学習のアプローチに注意が向けられている。 さらに、署名されたPPIネットワークの分析には不十分な努力がなされており、活性化(正)と阻害(負)の両方の相互作用を捉えている。 生体関係を正確に表現するために,サイン付きPPIネットワークのための署名付き2空間近接モデル(S2-SPM)を提案する。 これは、2つの独立な潜在空間を利用して正と負の相互作用を区別し、これらの空間に近接してタンパク質の類似性を表現することによって達成される。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。 S2-SPMのSPPIネットワークにおける相互作用の存在とサインの予測における優れた性能は、関連するベースライン法に対するリンク予測タスクで示される。 さらに、遺伝子オントロジー(GO)用語のリッチ化分析により、同定された古細菌の生物学的有病率は確認され、両者の相互作用によって形成された古細菌群と異なる生物学的タスクが関連していることが明らかとなった。 この研究は、統計的意義と感度分析についても検証され、異なる相互作用タイプの機能的役割についての洞察を提供する。 最後に、ベイズ正規化相互情報(BNMI)測定値を用いて、抽出したアーチタイプ構造の堅牢性と一貫性を確認し、有意義なSPPIパターンを捉える際のモデルの信頼性を証明した。

関連論文リスト

• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• A Review of Link Prediction Applications in Network Biology [2.7624021966289605]
  リンク予測(LP)手法は、生物学的ネットワーク内での欠落や予知の関連を推測するのに役立つ。 静的, 動的生物学的ネットワークに適用した, 局所的, 集中的, 埋め込み型LPアプローチの属性を系統的に識別する。 今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
  論文  参考訳（メタデータ） (2023-12-03T04:23:51Z)
• Bridging Phylogeny and Taxonomy with Protein-protein Interaction Networks [0.0]
  タンパク質-タンパク質相互作用(PPI)ネットワークは、生物の代謝と生存に不可欠な複雑な生物学的反応の概要を提供する。 我々は,PPIネットワークから情報を収集することで,生命樹・分類学の理解を深めることを目指している。
  論文  参考訳（メタデータ） (2023-10-26T05:32:33Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction [7.860159889216291]
  既存のメソッドは、見えないデータセットでテストすると、パフォーマンスが大幅に低下します。 本稿では,タンパク質間相互作用予測のためのグラフニューラルネットワーク(GNN-PPI)を提案する。
  論文  参考訳（メタデータ） (2021-05-14T08:42:55Z)
• Bio-JOIE: Joint Representation Learning of Biological Knowledge Bases [38.9571812880758]
  バイオジョイは、sars-cov-2タンパク質とヒトタンパク質のppisを正確に同定できる。 構造化知識のみを活用することにより、Bio-JOIEはPPI型予測において、既存の最先端の手法よりも著しく優れている。
  論文  参考訳（メタデータ） (2021-03-07T07:06:53Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。