基于正负实验依据重建人类互作组的探索

由 root 提交于 周日, 09/13/2026 - 22:47
蛋白质—蛋白质相互作用(protein-protein interactions,PPIs)已被检测并报道了数百万例。然而,尽管PPIs被应用于多种不同情境,以更好地理解健康与疾病状态下的细胞过程,人类PPI网络的相关知识仍远未完整,其中包含大量假阳性测量结果,并且存在明显偏倚。要评估这些问题的范围并加以解决,不仅需要掌握高置信度的阳性相互作用,还需要了解可能不存在相互作用的蛋白质对。然而,这类信息通常不会在PPI研究中被报告。我们开发了一种方法学,用于从现有PPI数据中重建这部分知识。我们重建了开展PPI筛选实验时所覆盖的实验搜索空间,随后建立了一个模型,根据某一PPI被检测及被观测到的频率,评估其为真实相互作用的可能性。我们认为,阴性蛋白质对能够帮助估计实验筛选和计算筛选的错误率。我们展示了如何将这些知识纳入校准过程。最后,我们评估了一种用于PPI预测的简单机器学习方法,并提出如何利用此类阴性数据进行训练,而不是使用随机蛋白质对。总体而言,我们的结果表明,重建实验搜索空间能够从现有PPI数据中恢复出一个在很大程度上被忽视的信息层,这有助于指导对人类互作组进行更准确、更完整的绘制。

蛋白质–蛋白质相互作用(protein–protein interactions,PPIs)已被检测并报道了数百万例。然而,尽管PPIs被应用于许多不同的研究场景,以更好地理解健康与疾病状态下的细胞过程,人类PPI网络的认知仍远不完整,其中包含大量假阳性测量结果,并且存在严重偏倚。要全面刻画这些问题的程度并加以解决,不仅需要了解高置信度的阳性相互作用,还需要掌握可能不发生相互作用的蛋白质对。然而,PPI研究通常不会报告这类信息。我们开发了一种方法学,用于从现有PPI数据中重建这一知识。我们重建了开展PPI筛选实验时所覆盖的实验搜索空间,随后建立了一个模型,根据某一PPI被检测及被观察到的频率,评估其为真实相互作用的可能性。我们认为,阴性蛋白质对能够帮助估计实验筛选和计算筛选的错误率。我们展示了如何将这些知识纳入校准过程。最后,我们评估了一种简单的机器学习方法用于PPI预测,并提出如何使用此类阴性数据进行训练,以取代随机蛋白质对。总体而言,我们的结果表明,重建实验搜索空间能够从现有PPI数据中恢复出一个长期被忽视的信息层面,从而有助于指导对人类互作组进行更准确、更完整的绘制。


📄 原文链接:https://www.biorxiv.org/content/10.64898/2026.09.09.750397v1?rss=1

🏷️ 人类蛋白质互作组 蛋白质—蛋白质相互作用 阴性数据重建 实验搜索空间 机器学习预测 互作组校准