Алгоритм PageRank в биохимии
Алгоритм PageRank имеет несколько применений в биохимии. («PageRank» — это алгоритм , используемый в поиске Google для ранжирования веб-сайтов в их результатах, но он был принят и для других целей. По данным Google, PageRank работает путем «подсчета количества и качества ссылок на страницу для определения примерной оценка того, насколько важен веб-сайт», при этом основное предположение заключается в том, что более важные веб-сайты, скорее всего, получат больше ссылок с других веб-сайтов. [1] )
Применение для анализа белковых сетей [ править ]
Свойство измерения относительной важности алгоритма анализа ссылок PageRank можно использовать для идентификации новых возможных мишеней лекарств в белках. [2] Алгоритм на основе PageRank может идентифицировать важные белковые мишени в организме патогена лучше, чем метод, учитывающий только количество входящих ребер (в степени) узла в метаболической сети. Причина этого в том, что некоторые уже известные важные белки-мишени не имеют высокой степени (не являются хабами), а также нарушение некоторых хабов может привести к нежелательным физиологическим эффектам. [3]
Описание [ править ]
Клиническое применение большинства антибиотиков приводит к мутации организма возбудителя, приводящей к его устойчивости к препарату. Поэтому разработка новых лекарств всегда необходима. Потенциальным первым шагом в разработке новых лекарств против угрожающих в настоящее время заболеваний (например, туберкулеза) является поиск новых мишеней для лекарств в возбудителе заболевания, т.е. в микроорганизме-возбудителе, будь то бактерия или простейший паразит. Обнаружив целевой белок в бактерии (или простейшем паразите), можно разработать низкомолекулярные лекарственные соединения, которые связываются с белком и ингибируют его.
Публичная доступность данных биологической сети [4] [5] [6] [7] делает процесс поиска новых мишеней для наркотиков проще, чем это было раньше. Используя доступные метаболические сети, можно найти важные узлы с помощью алгоритмов анализа ссылок, таких как PageRank. В недавно опубликованной статье [8] биохимические реакции рассматриваются как узлы метаболической сети. В этой направленной сети реакция А имеет направленный край к реакции Б, если продукт первой входит во вторую реакцию в качестве субстрата или кофактора.
Чтобы выбрать важные узлы, которые могут служить мишенями для наркотиков, мы могли бы подумать о выборе узлов с высокой степенью (концентраторов; узлов с множеством входящих ребер). Однако было показано [2], что нацеливание на хаб-белки, выполняющие многие жизненно важные функции, может также непреднамеренно нанести вред живой клетке. Метод оценки на основе PageRank может выявить важные узлы, которые не являются хабами и, следовательно, могут быть лучшими целями для наркотиков.
PageRank узла A — это стационарное предельное распределение вероятностей, в котором случайный бродяга находится в узле A. [2] В своем первоначальном применении вектор персонализации w отражал личный интерес веб-пользователя: интересные ему веб-сайты появлялись с большей вероятностью в распределении, заданном вектором w. [8] В этой метаболической сети w персонализирован для белков; w больше для тех белков, которые появляются в более высоких концентрациях при протеомном анализе некоторых заболеваний. Этот персонализированный PageRank может идентифицировать другие белки, связанные с заболеванием. [2] [8]
Однако, используя только персонализированный PageRank для определения важных узлов, хабы по-прежнему получают в среднем высокий балл. [9] Вместо этого, чтобы найти важные узлы, не являющиеся центральными, нам следует рассмотреть возможность оценки узлов по их «относительному персонализированному PageRank»; т.е. их персонализированный PageRank оценивается по количеству ребер, направленных к ним (по их внутренней степени): Относительный персонализированный PageRank (rPPR(v)) для узла v определяется следующим образом:
где PpageRank(v) — персонализированный показатель PageRank узла v, а d_(v) — его внутренняя степень. Было показано, что с помощью этого метода можно обнаружить многочисленные уже проверенные мишени для лекарств (например, в микобактериях туберкулеза), следовательно, можно также обнаружить новые, неизвестные на данный момент мишени. [8]
Ссылки [ править ]
- ^ «Факты о Google и конкуренции» . Архивировано из оригинала 4 ноября 2011 года . Проверено 12 июля 2014 г.
- ^ Перейти обратно: а б с Иван Г, Гролмуш В (2011). «Когда Интернет встречается с клеткой: использование персонализированного PageRank для анализа сетей взаимодействия белков». Биоинформатика 27 (3): 405–7. [1]
- ^ Рассел Р.Б., Элой П. (2008). «Нацеливание и работа с сетями взаимодействия». Nat Chem Biol 4: 666–673. [2]
- ^ Прасад ТСК, Кандасами К., Панди А. (2009). «Справочная база данных человеческих белков и протеинпедия человека как инструменты открытий для системной биологии». Методы Мол Биол 577: 67–79. [3]
- ^ Занзони А., Монтекки-Палацци Л., Куондам М., Аузиелло Г., Хельмер-Циттерих М. и др. (2002). «Мята: база данных молекулярных взаимодействий». Письмо ФЕБС 513: 135–140. [4]
- ^ Ксенариос I, Салвински Л., Дуан XJ, Хигни П., Ким С.М. и др. (2002). «Dip, база данных взаимодействующих белков: исследовательский инструмент для изучения клеточных сетей белковых взаимодействий». Нуклеиновые кислоты Res 30: 303–305. [5]
- ^ Фаркас И.Дж., Корчмарош Т., Ковач И.А., Михалик А., Палотай Р. и др. (2011). «Сетевые инструменты для выявления новых целей в отношении наркотиков». Научный сигнал 4: часть 3. [6]
- ^ Перейти обратно: а б с д Банки Д., Иван Г., Гролмуш В. (2013). «Равные возможности для сетевых узлов низкой степени: метод PageRank для идентификации белковых целей в метаболических графах». PLoS ONE 8(1): e54204. [7]
- ^ Фортунато С., Богуна М., Фламмини А., Менцер Ф. (2008). «Аппроксимация рейтинга страницы по степени». Конспекты лекций по информатике 4936: 59–71. [8]
 | Эта Google статья, связанная с , незавершена . Вы можете помочь Википедии, расширив ее . |