Temporal-Spatial Analysis of the Essentiality of Hub Proteins in Protein-Protein Interaction Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hubs are generally defined as nodes with a high degree centrality, and they are important for maintaining the stability of complex networks. Previous studies have shown that hub proteins tend to be essential in protein-protein interaction (PPI) networks, providing us with a new way to analyze the essentiality of proteins. Unfortunately, most of the existing studies leverage static PPI networks that are both incomplete and noisy and ignore the temporal and spatial characteristics of PPI networks. Benefiting from the development of high-throughput technologies, abundant multi-biological datasets have been accumulated and can be used for network analysis. To reexamine the relationship between the network centrality and protein essentiality in PPI networks, in this study, we integrated PPI networks with gene expression data and subcellular localization information to construct temporal-spatial dynamic PPI networks. Based on the constructed temporal-spatial dynamic PPI networks, we introduced the maximum degree centrality (MDC) method to evaluate the essentiality of hub proteins. Our results illustrate that the integration of gene expression data or subcellular localization information can significantly reduce noise effects and improve the identification accuracy of essential proteins through the temporal-spatial analysis with disparate sources of PPI networks. Moreover, we redefined hubs and classified them into two types: temporospatial hubs and static hubs. The results show that temporospatial hub proteins are more likely to be essential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle