用于蛋白质-蛋白质相互作用网络表示学习的有符号双空间邻近模型
机器学习
2025-03-07 v1 分子网络
摘要
准确预测复杂的蛋白质-蛋白质相互作用（PPIs）对于解码生物过程至关重要，从细胞功能到疾病机制。然而，确定PPIs的实验方法计算成本高昂。因此，最近引起了人们对机器学习方法的关注。此外，对有符号PPI网络的分析投入不足，而有符号PPI网络同时捕获激活（正）和抑制（负）相互作用。为了准确表示生物关系，我们提出了用于有符号PPI网络的有符号双空间邻近模型（S2-SPM），该模型明确纳入两种类型的相互作用，反映了生物系统内复杂的调控机制。这是通过利用两个独立的潜空间来区分正相互作用和负相互作用，同时通过这些空间中的邻近性表示蛋白质相似性来实现的。我们的方法还能够识别代表极端蛋白质特征的原型。S2-SPM在链接预测任务中针对相关基线方法在预测SPPI网络中相互作用的存在和符号方面的优越性能得到了验证。此外，通过基因本体（GO）术语的富集分析确认了所识别原型的生物学普遍性，揭示了不同生物任务与由两种相互作用形成的原型组之间的关联。本研究在统计显著性和敏感性分析方面也得到验证，提供了对不同相互作用类型功能角色的见解。最后，使用贝叶斯归一化互信息（BNMI）度量确认了提取的原型结构的鲁棒性和一致性，证明了该模型在捕获有意义的SPPI模式方面的可靠性。
引用
@article{arxiv.2503.03904,
title = {The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks},
author = {Nikolaos Nakis and Chrysoula Kosma and Anastasia Brativnyk and Michail Chatzianastasis and Iakovos Evdaimon and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2503.03904},
year = {2025}
}
备注
Preprint