通过边图元度向量(edge-GDVs)和边-GDV-相似性识别网络中的边聚类
分子网络
2012-04-11 v1 离散数学
社会与信息网络
摘要
从蛋白质-蛋白质相互作用(PPI)网络中推断新的生物学知识，例如预测蛋白质功能，在后基因组时代受到关注。一种流行的策略是将网络聚类为功能一致的蛋白质组，并从聚类中预测蛋白质功能。传统上，网络研究侧重于节点聚类。然而，当边的聚类可能更可取时，为什么偏爱节点而不是边？例如，节点属于多个功能组，但节点聚类通常无法捕获组重叠，而边聚类可以。最近提出了对共享许多邻居的相邻边进行聚类，优于不同的节点聚类方法。然而，由于某些生物过程可能在整个网络中具有特征性的“签名”，而不仅仅是局部的，因此考虑不一定相邻的边可能是有意义的。因此，我们设计了一种敏感的边“拓扑相似性”度量，可以处理不一定相邻的边。我们根据我们的度量在不同面包酵母PPI网络中对相似的边进行聚类，优于现有的节点和边聚类方法。
引用
@article{arxiv.1204.2255,
title = {Identifying edge clusters in networks via edge graphlet degree vectors (edge-GDVs) and edge-GDV-similarities},
author = {Ryan W. Solava and Ryan P. Michaels and Tijana Milenkovic},
journal= {arXiv preprint arXiv:1204.2255},
year = {2012}
}