Interactome

Az oldal jelenlegi verzióját még nem ellenőrizték tapasztalt közreműködők, és jelentősen eltérhet a 2022. július 1-jén felülvizsgált verziótól ; az ellenőrzések 3 szerkesztést igényelnek .

Az Interactome [2] ( eng.  Interactome ) egy molekuláris biológiai kifejezés , amely egyetlen sejtben lévő molekulák közötti kölcsönhatások teljes halmazát jelöli . Az interaktóm magában foglalja mind a fehérjék közötti közvetlen fizikai érintkezést ( fehérje-fehérje kölcsönhatás ), mind a gének közvetett kölcsönhatásait (például episztázis ).

Az "interact" szót eredetileg 1999-ben találta ki egy francia tudóscsoport Bernard Jacques [3] vezetésével . Matematikai szempontból az interaktómokat leggyakrabban gráfokként ábrázolják .

Az interaktomika [4] egy olyan tudományág, amely a  fehérjék és más sejten belüli molekulákközötti kölcsönhatásokat és ezeknek a kölcsönhatásoknak a következményeit vizsgálja [5] . Így az interaktómia célja a fajok közötti vagy ugyanazon fajon belüli interakciós hálózatok (azaz interaktómák) összehasonlítása annak érdekében, hogy megtudja, az ilyen hálózatok mely jellemzői maradtak meg vagy változtak meg. Az interaktomika a rendszerbiológia „felülről lefelé irányuló” megközelítésének példája, amely lehetővé teszi egy szervezet vagy biorendszer egészének szemlélését. Az interaktómia területén dolgozó szakemberek nagy mennyiségű genom- és proteomikai adathalmazt gyűjtöttek össze, és megállapították a molekulák közötti összefüggéseket. Ezekből az információkból új hipotézisek fogalmazódnak meg e molekulák reakcióiról, amelyek új kísérletekben tesztelhetők [6] .

Molekuláris és genetikai kölcsönhatások hálózatai

Molekuláris kölcsönhatások létrejöhetnek a biokémiai anyagok különböző csoportjainak ( fehérjék , nukleinsavak , lipidek , szénhidrátok ) molekulái között, valamint ugyanazon csoporton belül. Amikor az ilyen molekulák fizikailag kapcsolódnak egymáshoz, molekuláris kölcsönhatások hálózatait alkotják, amelyeket általában az érintett vegyületek természete szerint osztályoznak [7] .

Leggyakrabban az "interaktóm" kifejezés a fehérje-fehérje kölcsönhatások hálózataira vagy azok alcsoportjaira utal. Például a Sirt-1 fehérje interaktómája egy hálózat, amely magában foglalja a Sirt-1-et és a vele közvetlenül kölcsönhatásba lépő fehérjéket, és a Sirt család másodrendű interaktómája [8] [9] a szomszédok szomszédai közötti kölcsönhatásokat is szemlélteti. . Az interaktómák másik széles körben vizsgált típusa, a DNS-fehérje interaktóm (más néven génszabályozó hálózat) egy transzkripciós faktorok , kromatin - szabályozó fehérjék és ezek célgénjei által alkotott hálózat. Még az anyagcsere-hálózatok is felfoghatók molekuláris kölcsönhatások hálózatainak: a metabolitokat , vagyis a sejt kémiai komponenseit enzimek alakítják át egymáská , amelyeknek fizikailag kötődniük kell szubsztrátjaikhoz .

Az interaktómák minden típusa összekapcsolódik és átfedi egymást. Például a fehérje interaktómák sok enzimet tartalmaznak, amelyek viszont biokémiai hálózatokat alkotnak. Hasonlóképpen, a génszabályozó hálózatok metszik egymást a fehérjekölcsönhatások hálózataival és a jelátviteli hálózatokkal [10] .

Feltételezték, hogy egy organizmus interaktómájának mérete jobban korrelál a szervezet biológiai összetettségével, mint a genom mérete [11] . A több ezer bináris kölcsönhatást tartalmazó, több faj számára elérhető fehérje-fehérje kölcsönhatások térképei azonban évente feltöltődnek, és láthatóan még nem teljesednek ki teljesen, így ez a feltételezés továbbra is cáfolható [12] [13] .

A Saccharomyces cerevisiae élesztőgomba kölcsönhatása , amely magában foglalja az összes fehérje-fehérje kölcsönhatást , a becslések szerint 10 000 és 30 000 közötti kölcsönhatást tartalmaz. A legvalószínűbb becslés körülbelül 20 000 interakciónak tűnik. Általában túlbecsléseket kapunk, ha közvetett vagy előre jelzett kölcsönhatásokat veszünk figyelembe, gyakran affinitáskromatográfia és tömegspektrometriás módszerek kombinációját alkalmazva [14] .

A gének úgy hatnak egymásra, hogy befolyásolják egymás funkcióit. Például egyetlen mutáció ártalmatlan lehet, de egy másik mutációval való kombinációja halálos lehet. Az ilyen génekről azt mondják, hogy „genetikailag kölcsönhatásba lépnek”. Az így összekapcsolt gének genetikai kölcsönhatások hálózatait alkotják. E hálózatok tanulmányozásának céljai közé tartozik a sejtfolyamatok funkcionális térképeinek elkészítése, a gyógyszercélpontok azonosítása és a nem jellemzett gének funkcióinak előrejelzése.

2010-ben az élesztőgombák akkoriban létező legátfogóbb genetikai interakciós interakciója a gének 5,4 millió páronkénti összehasonlításán alapult, az összes gén 75%-ának kölcsönhatását írta le, és körülbelül 170 000 kölcsönhatást tartalmazott. Ezeket a géneket a funkció hasonlósága alapján csoportosították, hogy felállítsák a sejtfolyamatok funkcionális térképét. Ezzel a módszerrel minden más genomikai adatnál jobban megjósolhatók az ismert genetikai funkciók, valamint funkcionális információk adhatók hozzá a korábban nem jegyzett génekről. Ezzel a modellel a genetikai kölcsönhatásokat különböző szinteken lehet figyelembe venni, ami segít a génmegőrzés tanulmányozásában. A vizsgálat során észrevették, hogy kétszer annyi negatív kölcsönhatás van, mint pozitív, és ezek informatívabbak a fehérje géntermékek fizikai kölcsönhatásának előrejelzésében, valamint egy pár azonos annotációja . gének a génontológia szempontjából . Ráadásul a több kölcsönhatást mutató gének nagyobb valószínűséggel halálosak, ha sérülnek [15] .

Kísérleti módszerek interaktómák létrehozására

A fehérjehálózat fő eleme a fehérje-fehérje kölcsönhatás . Bár számos módszer létezik a fehérje-fehérje kölcsönhatások tanulmányozására, általában csak néhányat használnak interaktómák létrehozására, amelyek alkalmasak nagy léptékű, nagy áteresztőképességű kísérletekre [16] .

Az élesztő két-hibrid rendszerét [17] két fehérje közötti bináris közvetlen fizikai kölcsönhatások meghatározására használják. Röviden, a módszer a fehérjék kölcsönhatásának elemzése in vivo élesztőben oly módon, hogy az érdeklődésre számot tartó A és B fehérjéket valamilyen transzkripciós aktivátor (pl . Gal4 ) elkülönített DNS-kötő és DNS-aktiváló doménjéhez kötik. A "protein A + DNS-kötő domén" konstrukciót csalinak ( eng.  bait ), a "protein B + aktivációs domén" konstrukciót prédának ( eng.  prey ) nevezik. Ha az A és B fehérjék kölcsönhatásba lépnek, akkor két fragmentumból összeáll egy funkcionális transzkripciós aktivátor, amely elindítja a riportergén transzkripcióját (például egy bizonyos fluoreszcens fehérjét termel ), ellenkező esetben a riportergén nem íródik át és a jel nem figyelhető meg. [4] [17] .

A módszer előnye, hogy meglehetősen egyszerű, nem igényel különleges felszerelést, in vivo eukarióta sejtekben hajtják végre , és teljes könyvtárakra alkalmazható , ami az élesztő kéthibrid rendszerét széles körben használt megközelítéssé teszi. interaktómák felépítéséhez [18] .

Az élesztő két-hibrid rendszer azonban gyakran hamis pozitív és hamis negatív eredményeket ad:

Egy másik gyakran használt módszer a fehérjék kölcsönhatásának meghatározására a ko-immunoprecipitáció [19] ( angolul  co-immunoprecipitation ), amelyet tömegspektrometria követ . A ko-immunprecipitáció az affinitáskromatográfia speciális esete . Lehetővé teszi fehérjekomplexek meghatározását, amelyekből interaktómokat építhet (az úgynevezett ko-komplex hálózatokat vagy ko-komplex kapcsolatokat ). A módszer a következő informális algoritmus végrehajtásából áll [20] :

  1. Végezze el a sejtlízist nemionos denaturálószerrel;
  2. Adjunk hozzá specifikus antitesteket a lizátumhoz , amelyek a kutatók érdeklődésére számot tartó fehérjékhez kötődnek;
  3. Távolítsa el az antitesthez nem kötött fehérjéket;
  4. Elemezzük a maradékot tömegspektrometriával. Ha van kapcsolat az A és B fehérje között, akkor a tömegspektrometria során az antitesthez kapcsolódó fehérje A mellett a B fehérje is bekerül az A fehérjével társított mintába.

A technológia előnye, hogy a vizsgált fehérjék a kísérlet során természetes konformációjukban vannak, és a kísérlet során a fehérjék közötti kölcsönhatás nem zavarható. Előfordulhat azonban, hogy a koimmunprecipitáció nem mutat ki gyenge kölcsönhatásokat, és nem különbözteti meg a közvetlen és közvetett kölcsönhatásokat (mediátor fehérjék részvételével, amelyek jelenléte ebben a módszerben nem zárható ki) [21] .

Mindkét módszer használható nagy áteresztőképességű kísérletekben. A koimmunoprecipitáció és a tömegspektrometria kombinációja nem rendelkezik ugyanazokkal a téves pozitív és álnegatív problémákkal, mint az élesztő két-hibrid rendszere, és aranystandardként használják. Általánosságban elmondható, hogy az élesztő kéthibrid rendszere jobban mutatja a nem specifikus fizikai kölcsönhatásokat, míg a tömegspektrometriás koimmunprecipitáció jobban képes kimutatni a funkcionális fehérje-fehérje kölcsönhatásokat in vivo [22] [23] .

Különböző típusú élő szervezetek interakcióinak tanulmányozása

Vírusos interaktómák

A fehérjevírus interaktómák kölcsönhatásokat tartalmaznak vírusok vagy fágok fehérjéi között . Ezeket az interaktómákat az elsők között vizsgálták, mivel a vírusok és fágok genomja kicsi, és minden fehérje alacsony költséggel elemezhető. A vírusos interaktómák gazdaszervezeteik interaktómáihoz kapcsolódnak, vírus-gazda kölcsönhatások hálózatát alkotva [24] . Néhány publikált vírusinteraktóma a következők:

Bakteriofágok Emberi (emlős) vírusok

Bakteriális interaktómák

Csak néhány baktériumot vizsgáltak fehérje-fehérje kölcsönhatások szempontjából, azonban a létrejövő bakteriális interakciók egyike sem teljes. Feltehetően egyik sem fedi le az összes interakció 20-30%-ánál többet, elsősorban azért, mert az elvégzett vizsgálatok csak egy olyan módszert tartalmaztak, amely az összes interakciónak csak egy részhalmazát teszi lehetővé [34] . A publikált bakteriális interaktómák között a következők találhatók:

Kilátás A fehérjék száma Interakciók száma Módszer Források
Helicobacter pylori 1553 3004 Y2H [35] [36]
Campylobacter 1623 11 687 Y2H [37]
Treponema pallidum 1040 3649 Y2H [38]
Escherichia coli 4288 5993 AP/MS [39]
Escherichia coli 4288 2234 Y2H [40]
Mesorhizobium 6752 3121 Y2H [41]
Mycobacterium tuberculosis 3959 több mint 8000 B2H [42]
Mycoplasma pneumoniae 411 10 083 AP/MS [43]
Synechocystis sp. PCC6803 3264 3236 Y2H [44]
Staphylococcus aureus ( MRSA ) 2656 13 219 AP/MS [45]

Az E. coli és a Mycoplasma interaktómákat nagy léptékű affinitástisztítással és fehérjekomplex tömegspektrometriával elemezték (a táblázatban AP/MS-sel jelöljük), ezért nem könnyű meghatározni, hogy a kölcsönhatások közül melyik a ténylegesen közvetlen. A fennmaradó interaktómokat kéthibrid élesztőrendszerrel (a táblázatban Y2H) vizsgáltuk. A Mycobacterium tuberculosis interactome -ot az élesztő két-hibrid rendszer (B2H) bakteriális analógjával elemeztük.

Néhány interaktómát számítási módszerekkel jósoltak meg.

Eukarióta interaktómák

Eddig egyetlen eukarióta interaktómát sem írtak le teljesen. A legjellemzőbb a Saccharomyces cerevisiae élesztőgomba kölcsönhatása , amelynek felépítéséhez a fehérjék több mint 90%-át és azok kölcsönhatásait tanulmányozták [46] [47] [48] . Azok a fajok, amelyek interakciói viszonylag jól ismertek:

A humán interaktóm gyakran szerepel a vírus-gazda kölcsönhatások hálózatainak felépítésében, mint például a hepatitis C /humán (2008) [51] , az Epstein-Barr vírus /humán (2008) és az influenzavírus /humán (2009) interakciós hálózatok. Az ilyen interaktómák vizsgálata lehetővé teszi a kórokozó gazdaszervezetben való megtelepedéséhez és az immunválasz kialakulásához szükséges molekuláris komponensek kimutatását [52] .

Megjósolt interaktómák

Amint azt már leírtuk, a fehérje-fehérje kölcsönhatások előre jelezhetők. Annak ellenére, hogy az ilyen előrejelzések megbízhatósága továbbra is vitatott, néhány szabályszerűség kivonható a létrejövő interaktómokból, és kísérletileg tesztelhető [53] . Néhány faj esetében előrejelzett interaktómákat kaptak, többek között:

Matematikai módszerek interaktómák tanulmányozására

Az interaktómia mint a komplex hálózatok elméletének alkalmazása biológiai problémákra

Az interaktómia hálózati komponense egy valós biológiai hálózat ábrázolását kutatja gráf formájában. A G  gráf két halmaz  – csúcsok és csúcspárok – rendezett párja . Az ebből a halmazból származó csúcspárt élnek nevezzük. A grafikonokkal kapcsolatos további részleteket a Grafikon (matematika) című cikk ismerteti, az alábbi anyag megértéséhez nincs szükség részletesebb információra. A komplex hálózatok elméletének teljes arzenálja teljes mértékben alkalmazható az interaktom gráfra [62] .

A gráfelméletben jelenleg egy jól ismert terminológia zavara [63] . A különböző művek különböző szavakat használnak ugyanazokra a dolgokra. Így a következő szókészletek szinonimák:

  • "grafikon" és "hálózat"
  • "csomópont", "csúcs" és "pont"
  • "borda" és "link"

Csomópont foka [64] ( angol  fokozat ) – a csomópontba belépő és onnan kilépő hivatkozások száma. Az irányított gráfok esetében ez a jellemző két részre oszlik: indegree  és outdegree –  a csomópontba belépő hivatkozások száma, illetve a csomópontot elhagyó hivatkozások száma.

A gráfcsúcsok fokszám-eloszlása ​​[ 64] leírja azon csomópontok számát (egy fehérje interaktóm kontextusában, fehérjék), amelyekben bizonyos számú kapcsolat van.  

Néhány interaktóma skálamentes . Ez azt jelenti, hogy csúcsaik fokai egy hatványtörvény szerint vannak elosztva ( angol power  law ):

,

ahol az x  fokú csomópont megtalálásának valószínűsége a  léptéktényező.

Ez a függés egyenes vonalként jelenik meg a log-log diagramon. Valós adatok vizsgálatakor szinte soha nem figyelhető meg ideális egyenes, és egy közelítő egyenes egy log-log diagramon nem elegendő megerősítés a hatványtörvény betartására, de vannak kvantitatív tesztek erre a megfelelésre [66] .

A jelenleg használt legnépszerűbbet M. Newman csoportja mutatta be 2009-ben a "Power-law eloszlások az empirikus adatokban" [67] című cikkében . A teszt Kolmogorov-Smirnov statisztikát használ , és ugyanúgy értelmezi, mint a többi KS-statisztikán alapuló tesztet: a küszöbértéknél nagyobb p-értékek szignifikánsak, nem fordítva. Ennek a hatványtörvény-tesztnek van egy implementációja az igraph network elemzési csomagban [68] .

Skálamentes hálózatokat generálnak egyes modellek, különösen a Barabashi-Albert modell , amely a preferenciális kötődés elvén alapul , amelyet a szociológiában Máté-effektusnak neveznek  - "a gazdag gazdagodik, a szegény szegényebb lesz", mint pl. valamint annak módosítása - a Bianconi-Barabashi modell , amelyben minden csúcsra bevezetnek egy időben rögzített „fitness” karakterisztikát, és minél nagyobb, annál több új kapcsolatot kap a csúcs a hálózat fejlődése során [ 69] .

Az eredeti Barabashi-Albert modellben magukat a fokokat használták a csomópont rangjaként a kötődési preferencia értékelésére, de ahogy Jensen és Pralat megmutatta a Rang alapú kötődési vezet a hatványtörvény gráfokhoz [70] , mit kell használni rangként. Abszolút nem fontos, ha rangon belüli kötődés van, akkor előbb-utóbb megjelenik egy hatalmi törvény.

A fentiek ellenére még nem ismert, hogy mennyire elterjedt a skálamentes tulajdonság az interaktómoknál. Gyakran alaposabb statisztikai tesztelés után az eredetileg skálamentesnek ismert interaktómák nem bizonyulnak annak [71] . A skálamentesség elterjedtségének kérdése az interaktomiában jelenleg nyitott [72] . A helyzetet bonyolítja, hogy valójában még senki nem gyűjtött be egyetlen teljes kísérleti interaktómot sem (2017. 04. 01. időpontban), és a mintavételi hiba hogyan befolyásolja a fokszám-eloszlás becsléseit. szintén nyitott kérdés.

A hub  nagyszámú kapcsolattal rendelkező csomópont. A fehérjéket funkcionális modulok szerint egyesítő csomópontokat, például fehérjekomplexeket, „buliközpontoknak” nevezik. másrészt a "date hub"-nak nincs ilyen korrelációja, és különböző funkcionális modulokat köt össze. A party hubok túlnyomórészt az AP/MS adatkészletekben, míg a dátumközpontok elsősorban az interaktome hálózatok bináris térképeiben találhatók [73] . A party hub főként több kölcsönhatási felülettel rendelkező fehérjékből áll, míg a dátumközpontot általában egyetlen interakciós felülettel rendelkező fehérjék képviselik [74] . Élesztőben egy adott fehérje bináris kölcsönhatásainak száma korrelál a különböző mutációk és fiziológiás körülmények között megfigyelt fenotípusok számával [ 73 ] .

A komplex hálózatok elméletének fontos feladata a közösségek keresése a hálózatban. Ha egy közösségi hálózatban a „közösségek” ( angolul  közösség ) emberek közösségei, akkor az interaktómák kontextusában a „közösségek” kölcsönható fehérjék vagy genom csoportjai, amelyek anyagcsereutat vagy szabályozó alrendszert alkothatnak. Ez az alkalmazás kulcsfontosságú a prediktív medicina részeként az interaktomika számára [75] , mivel sok betegséget jelentős sejtműködési zavarok okoznak, amelyek az interaktóm hibásan működő részének azonosításával kimutathatók.

Ebben az irányban történik előrelépés, és külön érdemes megemlíteni olyan munkákat, mint a DIAMOND [76]  , a betegség moduljának meghatározására szolgáló algoritmus, amely a betegségben részt vevő fehérjék asszociációs mintázatainak szisztematikus elemzésén alapul az emberi interaktómon belül. A szerzők, a komplex hálózatok elméletének egyik "atyja", Barabasi László által vezetett csoport 70 betegség fehérjeadatait elemezték, és megállapították, hogy a betegségek kialakulásában szerepet játszó fehérjék valóban csoportosulnak az interaktóma betegségspecifikus részein. - betegségmodulok . ), és algoritmust javasoltak az ilyen  modulok keresésére.

A fehérje-fehérje kölcsönhatások előrejelzése

Amellett, hogy a kísérleti adatokból interaktómokat állítunk össze, lehetséges az interaktómokban lévő kötések előrejelzése is in silico . A kapcsolat-előrejelzési probléma bináris osztályozási problémaként fogalmazható meg [77] . Az interaktómában fennálló kapcsolat két osztályba tartozhat:

  • Meglévő kapcsolat (1)
  • Hiányzó kapcsolat (0)

Ezután az egyes kapcsolódó gének vagy fehérjék tulajdonságaira vonatkozó információk és a gépi tanulási módszerek felhasználásával minden kapcsolat esetében meghatározható, hogy melyik osztályba tartozik. Az alkalmazott jellemzők egy része a jelölt fehérjék sejtben történő kolokalizációja, génjeik koexpressziója, a gének közelsége a genomban stb. [78] [79] Az ilyen típusú algoritmusok egyik sikeres módszere a véletlenszerű erdő volt. (Véletlen erdő) [80 ] . Az eredményül kapott kapcsolatok súlyozhatók egy ilyen kapcsolat valószínűségére vonatkozó információk hozzáadásával, mint például az alábbiakban ismertetett PIPs [81] projektben , egy naiv Bayes osztályozó használatával . Gépi tanulási módszereket alkalmaztak az emberi interaktómában, különösen a membránfehérjék [79] vagy a skizofréniával kapcsolatos fehérjék [78] interakcióinak előrejelzésére .

Kísérleti adatok alapján homológiatranszfer segítségével az interaktómák kölcsönhatásai is megjósolhatók. Például, ha egy szervezet esetében ismertek fehérje-fehérje kölcsönhatások, feltételezhető, hogy egy másik szervezet homológ fehérjéi között kölcsönhatások lépnek fel. Az ilyen fehérjéket interlógoknak nevezzük. Ennek a megközelítésnek azonban vannak bizonyos korlátai, főként az eredeti adatok megbízhatatlansága miatt, amelyek álpozitív vagy fals negatív eredményeket tartalmazhatnak [82] . Ráadásul a fehérjék és a köztük lévő kölcsönhatások az evolúció során változhatnak, így egyes kontaktusok eltűnnek, vagy éppen ellenkezőleg, megjelennek. Ennek ellenére számos interaktómát jósoltak meg ezzel a megközelítéssel, például a Bacillus licheniformis esetében [83] .

Egyes algoritmusok kísérleti adatokat használnak a kölcsönható fehérjék szerkezeti komplexeire és a kötőfelületek atomi szerkezetére vonatkozóan, hogy részletes atomi modelleket hozzanak létre fehérje-fehérje komplexekről [84] [85] és fehérjék más molekulákkal alkotott komplexeiről [86] .

A link-előrejelzés egyik jelenleg megoldatlan problémája a zaj jelenléte azokban az adatokban, amelyekre az osztályozót betanítják. A fent leírt kísérleti módszerek bevezetik saját álpozitív és álnegatív tulajdonságaikat, amelyek torzíthatják az osztályozót. Ez korrigálható például anomália-detektálás alkalmazásával, amint azt Singh és Vig „A hiányzó fehérje interaktóm linkek jobb előrejelzése anomália detektáláson keresztül” című munkájában javasolta [87] . A kísérleti módszerek pontatlanságának problémája azonban továbbra is fennáll.

Szövegbányászat

A szövegbányászatot arra is használják, hogy közvetlenül a tudományos irodalomból nyerjenek ki információkat a molekuláris kölcsönhatásokról. Az ilyen módszerek az egyszerű algoritmusoktól, amelyek statisztikailag becsülik meg az azonos szövegkörnyezetben (például ugyanabban a mondatban) említett molekulák együttes előfordulásának (jelen esetben kölcsönhatásnak) valószínűségét, a bonyolultabb természetes nyelvi feldolgozási és gépi tanulási módszerekig terjednek. interakciók megtalálásához [88] .

A fehérjefunkciók előrejelzése

A fehérje kölcsönhatások hálózatait használják a fehérjék működésének előrejelzésére [46] [89] . Feltételezhető, hogy a nem jellemzett fehérjéknek hasonló funkciói vannak, mint a velük kölcsönhatásba lépő fehérjéknek. Például az YbeB, amelyet ismeretlen funkciójú fehérjének tartottak, az interaktómon keresztül kölcsönhatásba lép a riboszómális fehérjékkel, és amint azt később bemutattuk, részt vesz a transzlációs folyamatban [90] . Bár a funkció ilyen előrejelzései alapulhatnak egyetlen kölcsönhatáson néhány fehérjével, általában rendelkezésre állnak információk a különböző fehérjékkel való több érintkezésről. Így a kölcsönhatások teljes hálózata felhasználható a fehérjék funkcióinak előrejelzésére [46] .

Zavarok és betegségek elemzése

Az interaktóm topológiája alapján feltételezéseket lehet tenni arra vonatkozóan, hogy a kölcsönhatások hálózata hogyan fog megváltozni, ha valamelyik csomópontot (fehérjéket) vagy éleket (fehérjekölcsönhatások) megzavarják (például eltávolítják) [91] . Az ilyen rendellenességeket a megfelelő gének mutációi okozhatják, és az így létrejövő interakciós hálózat valamilyen betegséget tükröz [92] . Egy ilyen hálózat elemzése segíthet a gyógyszercélpontok vagy betegségek biomarkereinek felkutatásában [93] .

Az interaktómák validálása

Mielőtt az összegyűjtött interaktív anyagot elemzésre használná, ellenőrizze, hogy nincs-e benne hiba. Ha az interaktómot kísérleti úton kapjuk meg, akkor a kísérlet hibája szükségszerűen jelen van, ha pedig in silico , akkor a predikciós algoritmus hibája. A nagy áteresztőképességű kísérleti módszerek, például az élesztő két-hibrid rendszer hibája a becslések szerint [94] valahol 25% és 50% között van.

A minőségellenőrzésre elsősorban a következő módszereket alkalmazzák [94] :

  1. Interactome adatok korábbi publikációinak felhasználása referenciaként;
  2. Más jellegű hivatkozások összehasonlítása. Ha a fehérjék kölcsönhatásba lépnek (binárisan, ahogy azt az élesztő két-hibrid rendszer kimutatja), akkor valószínűleg a sejtben ugyanazon a helyen találhatók, a megfelelő gének együtt expresszálódnak , és a knockout kísérletekben a megfigyelt fenotípusoknak hasonlóaknak kell lenniük . . Ennek megfelelően ezen események megfigyelése növeli a vizsgált gének kölcsönhatásának valószínűségét;
  3. Az in silico előrejelzett összefüggések kísérletileg tesztelhetők.

Grafikonigazítási probléma

Az interaktomikában (validáláskor, betegségek okainak felkutatásánál stb.) fontos feladat a gráfillesztés .  A probléma lényege, hogy az egyik gráfot a másikhoz kell leképezni úgy, hogy a gráfok minél "hasonlóbbak" legyenek. A nehézségek már a két grafikon "hasonlóságának" meghatározásának szakaszában kezdődnek. Mivel többféleképpen is meg lehet határozni, hogy mit jelent a gráfhasonlóság, a gráf igazítására is többféle definíció létezhet, de ezek elvileg csak a hasonlóság különböző definícióiban térnek el, és a gráfillesztési probléma kijelentése valahogy így néz ki. :

Adott két grafikon és . Az igazítási minőség funkció be van állítva . Meg kell találni az igazítási függvényt , amely maximalizálja a minőségi funkciót [95] .

Létezik egy kifejezetten interakciómikai feladatokra alkalmazható algoritmus - NetAligner [96] , de ezt a webszolgáltatást a fejlesztők már nem támogatják. A NetAligner a következő lehetőségeket biztosította a kutatóknak a Homo sapiens , Mus muscusus , Drosophila melanogaster , Arabidopsis thaliana , Saccharomyces cerevisiae , Escherichia coli és Caenorhabditis elegans fajok esetében :

  • A fehérje komplex igazítása az interaktómon;
  • A metabolikus útvonal összehangolása az interaktómon;
  • Az interaktóm egymáshoz igazítása.

Interactome adatbázisok

Az interaktome adatoknak számos adatbázisa létezik, és a meglévő adatbázisok különféleképpen osztályozhatók.

Az interactome adatbázisok feloszthatók [97] :

  1. Hogyan lehet adatokat szerezni:
    1. kísérleti (literary-curated ( angol  szakirodalom-kurátor ) és nagy teljesítményű ( angol  high-throughput ));
    2. jóslás in silico ;
    3. metaaggregáció;
  2. a vizsgált típus(ok) szerint;
  3. Csatlakozás típusa szerint:
    1. közvetlen bináris kapcsolat (van vagy nincs közvetlen fizikai kölcsönhatás);
    2. nem bináris kötések, amelyek közvetlen fizikai kölcsönhatás nélkül lehetségesek [98] , amelyeket ko-komplex ( angolul  co-complex ) módszerekkel, például ko-immunoprecipitációval [99] és tömegspektrometriával kapnak ;
    3. különböző hálózatok (metaaggregátorokhoz);
    4. in silico megjósolt bináris kapcsolat .
Alapnév Az alap rövid leírása Fajták Hálózattípus Szervezet Állapot
Human Reference Protein Interactome Project [100] Human Reference Interactome Project Homo sapiens Bináris, élesztő két-hibrid rendszerrel nyert Center for Cancer Systems Biology [101] Aktív, folyamatban lévő kísérletek a humán fehérje interaktóma (HI-III) új változatának megszerzésére, amely a teljes keresési tér körülbelül 77%-át teszi ki.
Molecular Interaction Database (MINT) [102] Különféle élőlényekre vonatkozó, irodalomból összegyűjtött kísérleti adatok összesítője 2017. április 1-jén 611 faj [102] ko-komplex és bináris Molekuláris Genetikai Laboratórium, Római Egyetem, "Tor Vergata" [103] Aktív
Kölcsönhatásba lépő fehérjék adatbázisa [104] Különféle élőlényekre vonatkozó, irodalomból összegyűjtött kísérleti adatok összesítője Escherichia coli

Rattus norvegicus

Homo sapiens

Saccharomyces cerevisiae

Mus izom

Drosophila melanogaster

Helicobacter pylori [97]

Különböző típusú kapcsolatok (ko-komplex, bináris) Kaliforniai Egyetem, Los Angeles Nem elérhető (hozzáférés dátuma: 2017.04.01.)
Biological Interaction Network Databank (adatbázis) [105] Különféle élőlényekre vonatkozó, irodalomból összegyűjtött kísérleti adatok összesítője Homo sapiens

Saccharomyces cerevisiae

Mus izom

Helicobacter pylori

Különböző típusú kapcsolatok Samuel Lunenfeld Kutatóintézet a Mount Sinai Kórházban, Torontóban Finanszírozási problémák miatt nem elérhető [106]
GeneMANIA [107] Génfunkciók in silico előrejelzésére szolgáló szolgáltatás más adatbázisokból származó összesített adatok alapján 2017. április 1-jén 9 faj [107] Különböző típusú kapcsolatok Torontói Egyetem [108] Aktív
Kiváló minőségű interakciók (TIPP) [109] Felügyelt kísérleti adatgyűjtő 2017.01.04-én 12 faj Különböző típusú kapcsolatok Yu Lab, Cornell Egyetem [110] Aktív, minden nap frissül
IntAct Molecular Interaction Database [111] Felügyelt kísérleti adataggregátor (11 molekuláris kölcsönhatási adatbázisból) [112] 2017. április 1-jén 7 fő típus [113] Különböző típusú kapcsolatok Cambridge [114] Aktív
Biological General Repository for Interaction Datasets (BioGRID) [115] Kísérleti és előrejelzett in silico adatok kurátora A fajok listája a [116] oldalon található. Különböző típusú kapcsolatok Princeton, Mount Sinai Kórház, Edinburghi Egyetem, Montreali Egyetem [117] Aktív
Integrált hálózati adatbázis (IntNetDB) [118] A hálózat előrejelzése in silico Homo sapiens bináris in silico hanlab.genetics.ac.cn Nem elérhető (hozzáférés dátuma: 2017.04.01.)
A Drosophila Interactions Database (DroID) [119] A Drosophila interactome adatainak kurátora, mind kísérleti, mind előrejelzett in silico Drosophila melanogaster Különféle típusú kapcsolatok (beleértve az in silico előrejelzetteket is ) Wayne Állami Egyetem Orvostudományi Kara [120] Aktív
Az Arabidopsis információs forrás (TAIR) [121] A Tal rucifera összes biológiai adatának adatbázisa , beleértve a nem kölcsönhatást (genomszekvencia, géntérképek stb.) Arabidopsis thaliana Különféle típusú kapcsolatok (beleértve az in silico előrejelzetteket is ) Phoenix Bioinformatics Corporation [122] Aktív
Human Protein-Protein Interaction Prediction (PIP) [81] Az in silico előrejelzett humán fehérjekötések adatbázisa Homo sapiens In silico jósolva naiv Bayes osztályozóval Dundee-i Egyetem [123] Aktív
Predicted Rice Interactome Network (PRIN) [124] Az in silico előrejelzett fehérje-fehérje kölcsönhatások adatbázisa rizsben Oryza sativa Interlógusok alapján in silico jósolva Zhejiang Egyetem [125] Aktív

Az interaktómia nyitott problémái

Kiemer és Cesareni [5] a következő problémát vetette fel: az interaktómák tanulmányozásának kísérleti módszerei hajlamosak a hibákra, ami oda vezet, hogy az összes talált kölcsönhatás 30%-a valójában műtermék (két kutatócsoport ugyanazon a szervezeten ugyanazt a módszert alkalmazza, csak azt találja, hogy ugyanazon kölcsönhatások 30%-a). Ezenkívül a módszerek torzíthatók is lehetnek, azaz az alkalmazott módszer attól függ, hogy milyen kölcsönhatásokat találunk. Ez a fehérjék egyedi tulajdonságainak köszönhető, például a legtöbb olyan módszer, amely jól működik oldható fehérjékkel, nem alkalmas membránfehérjék vizsgálatára . Ez igaz a kéthibrid élesztőrendszerre és az affinitáskromatográfiára / tömegspektrometriára is .

A legtöbb interaktóma hiányos, a S. cerevisiae kivételével . De egy ilyen megjegyzés nem teljesen helytálló, mivel egyetlen tudományterület sem elég teljes, amíg a módszereket nem javítják. Az Interactomics 2015-ben ugyanabban a szakaszban van, mint a genomszekvenálás az 1990-es években.

Az interaktómák szövetenként, sejttípusonként és fejlődési szakaszonként változhatnak, mindaddig, amíg a genomok stabilak maradnak. Míg a homológ DNS-szekvenciák meglehetősen könnyen megtalálhatók, a homológ kölcsönhatásokat nehéz megjósolni, mivel két kölcsönható fehérje homológjainak nincs szükségük kölcsönhatásra.

Jegyzetek

  1. ↑ William Hennah, David Porteous. A DISC1 útvonal modulálja az idegfejlődési, szinaptogén és szenzoros észlelési gének expresszióját  //  PLOS ONE. — 2009-03-20. — Vol. 4 , iss. 3 . — P.e4906 . — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0004906 . Archiválva az eredetiből 2022. március 2-án.
  2. ↑ Terentiev A. A., Moldogazieva N. T., Shaitan K. V. Dynamic proteomics in living cell modeling. Fehérje-fehérje kölcsönhatások  (orosz)  // A biológiai kémia fejlődése. - 2009. - T. 49 . - S. 429-480 . Az eredetiből archiválva: 2018. május 10.
  3. ↑ Catherine Sanchez, Corinne Lachaize, Florence Janody, Bernard Bellon, Laurence Röder. Molekuláris kölcsönhatások és genetikai hálózatok megragadása a Drosophila melanogasterben a FlyNets internetes adatbázis segítségével  //  Nucleic Acids Research. — 1999-01-01. — Vol. 27 , iss. 1 . — P. 89–94 . — ISSN 0305-1048 . - doi : 10.1093/nar/27.1.89 . Archiválva az eredetiből 2018. június 4-én.
  4. ↑ 1 2 3 4 Ivanov A. S., Zgoda V. G., Archakov A. I. Technologies of protein interactomics  (orosz)  // Bioorganic chemistry: Journal. - 2011. - T. 37 , 1. sz . - S. 8-21 . Az eredetiből archiválva: 2018. május 10.
  5. ↑ 1 2 Lars Kiemer, Gianni Cesareni. Összehasonlító kölcsönhatások: alma és körte összehasonlítása?  // Trends in Biotechnology. — 2007-10. - T. 25 , sz. 10 . – S. 448–454 . — ISSN 0167-7799 . - doi : 10.1016/j.tibtech.2007.08.002 . Archiválva az eredetiből 2018. június 3-án.
  6. ↑ Frank J. Bruggeman, Hans V. Westerhoff. A rendszerbiológia természete  // Trends in Microbiology. — 2007-01. - T. 15 , sz. 1 . — S. 45–50 . — ISSN 0966-842X . - doi : 10.1016/j.tim.2006.11.003 . Az eredetiből archiválva : 2018. június 12.
  7. ↑ Marc Vidal, Michael E. Cusick, Barabási Albert-László. Interactome Networks and Human Disease  // Sejt. — 2011-03. - T. 144 , sz. 6 . — S. 986–998 . — ISSN 0092-8674 . - doi : 10.1016/j.cell.2011.02.016 . Archiválva : 2018. május 13.
  8. ↑ Ankush Sharma, Vasu K. Gautam, Susan Costantini, Antonella Paladino, Giovanni Colonna. Interactomic and Pharmacological Insights on Human Sirt-1  (angol)  // Frontiers in Pharmacology. - 2012. - T. 3 . — ISSN 1663-9812 . - doi : 10.3389/fphar.2012.00040 .
  9. ↑ Ankush Sharma, Susan Costantini, Giovanni Colonna. Az emberi Sirtuin család fehérje-fehérje interakciós hálózata  // Biochimica et Biophysica Acta (BBA) - Proteins and Proteomics. — 2013-10. - T. 1834 , sz. 10 . — S. 1998–2009 . — ISSN 1570-9639 . - doi : 10.1016/j.bbapap.2013.06.012 . Archiválva az eredetiből 2018. június 11-én.
  10. ↑ David F. Klosik, Anne Grimbs, Stefan Bornholdt, Marc-Thorsten Hütt. A génszabályozás és az anyagcsere egymástól függő hálózata ott robusztus, ahol lennie kell  //  Nature Communications. — 2017-09-14. - T. 8 , sz. 1 . — ISSN 2041-1723 . - doi : 10.1038/s41467-017-00587-4 . Archiválva az eredetiből 2022. január 24-én.
  11. ↑ Michael P. H. Stumpf, Thomas Thorne, Eric de Silva, Ronald Stewart, Hyeong Jun An. Az emberi interaktóma méretének becslése  // Proceedings of the National Academy of Sciences. — 2008-05-13. - T. 105 , sz. 19 . — S. 6959–6964 . - doi : 10.1073/pnas.0708078105 .
  12. ↑ Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. A humán interaktóm hálózat proteomléptékű térképe  // Cell. — 2014-11. - T. 159 , sz. 5 . - S. 1212-1226 . — ISSN 0092-8674 . - doi : 10.1016/j.cell.2014.10.050 . Az eredetiből archiválva : 2018. május 14.
  13. ↑ Andrew Chatr-aryamontri, Bobby-Joe Breitkreutz, Rose Oughtred, Lorrie Boucher, Sven Heinicke. A BioGRID interakciós adatbázis: 2015-ös frissítés  //  Nucleic Acids Research. — 2014-11-26. — Vol. 43 , iss. D1 . — P. D470–D478 . — ISSN 0305-1048 1362-4962, 0305-1048 . - doi : 10.1093/nar/gku1204 . Az eredetiből archiválva : 2022. január 21.
  14. ↑ 1 2 Peter Uetz, Andrej Grigorjev. The yeast interactome  (angol)  // Genetikai, genomikai, proteomikai és bioinformatikai enciklopédia. - Chichester: John Wiley & Sons, Ltd., 2005.04.15. - ISBN 0470849746 , 9780470849743, 047001153X, 9780470011539 . - doi : 10.1002/047001153x.g303204 .
  15. ↑ Michael Costanzo, Anastasia Baryshnikova, Jeremy Bellay, Yungil Kim, Eric D. Spear. A sejt genetikai tájképe  (angol)  // Tudomány. — 2010-01-22. — Vol. 327 , iss. 5964 . — P. 425–431 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/tudomány.1180823 . Archiválva az eredetiből 2017. augusztus 3-án.
  16. ↑ Laurent Teradot, Marie-Francoise Noirot-Gros. Bakteriális fehérje kölcsönhatási hálózatok: a megoldott összetett struktúrákból származó rejtvénykövek tisztább képet adnak  //  Integratív biológia. - 2011. - 20. évf. 3 , iss. 6 . — 645. o . — ISSN 1757-9708 1757-9694, 1757-9708 . doi : 10.1039 / c0ib00023j .
  17. ↑ 1 2 Anna Brückner, Cécile Polge, Nicolas Lentze, Daniel Auerbach, Uwe Schlattner. Yeast Two-Hybrid, egy hatékony eszköz a rendszerbiológiához  //  International Journal of Molecular Sciences. — 2009-06-18. — Vol. 10 , iss. 6 . — P. 2763–2788 . - doi : 10.3390/ijms10062763 . Archiválva az eredetiből 2017. április 2-án.
  18. ↑ 1 2 Shayantani Mukherjee, Sampali Bal és Partha Saha. Fehérje interakciós térképek élesztő két-hibrid vizsgálattal (angol) // Current Science : Journal. - 2001. - szeptember 10. ( 81. évf. , 5. szám ). - S. 458-464 . Az eredetiből archiválva : 2012. december 22.
  19. ↑ Choogon Lee. Communoprecipitation assay  // Methods in Molecular Biology (Clifton, NJ). - 2007-01-01. - T. 362 . – S. 401–406 . — ISSN 1064-3745 . - doi : 10.1007/978-1-59745-257-1_31 . Archiválva az eredetiből 2017. április 3-án.
  20. ↑ Koimmunoprecipitáció (Co-IP) . Profacgen . Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  21. ↑ R. Benjamin Free, Lisa A. Hazelwood, David R. Sibley. Új fehérje-fehérje kölcsönhatások azonosítása koimmunoprecipitáció és tömegspektroszkópia segítségével  //  Current Protocols in Neuroscience. – Hoboken, NJ, USA: John Wiley & Sons, Inc., 2009-01. — P. 5.28.1–5.28.14 . - ISBN 0471142301 , 9780471142300 . - doi : 10.1002/0471142301.ns0528s46 .
  22. ↑ Leandra M. Brettner, Joanna Masel. A fehérje ragadóssága, nem pedig a funkcionális fehérje-fehérje kölcsönhatások száma, előrejelzi az expressziós zajt és a plaszticitást az élesztőben  // BMC Systems Biology. — 2012-09-27. - T. 6 . - S. 128 . — ISSN 1752-0509 . - doi : 10.1186/1752-0509-6-128 .
  23. ↑ Konark Mukherjee, Justin B. Slawson, Bethany L. Christmann, Leslie C. Griffith. A Drosophila CASK-β neuron-specifikus fehérje kölcsönhatásait tömegspektrometria tárja fel  // Frontiers in Molecular Neuroscience. - 2014. - T. 7 . - S. 58 . — ISSN 1662-5099 . - doi : 10.3389/fnmol.2014.00058 . Az eredetiből archiválva : 2014. december 16.
  24. ↑ Vincent Navratil, Benoît de Chassey, Laurène Meyniel, Stéphane Delmotte, Christian Gautier. VirHostNet: tudásbázis a proteom-szintű vírus-gazda interakciós hálózatok kezeléséhez és elemzéséhez  (angol)  // Nucleic Acids Research. — 2009-01-01. — Vol. 37 , iss. suppl_1 . — P. D661–D668 . — ISSN 0305-1048 . doi : 10.1093 / nar/gkn794 . Az eredetiből archiválva : 2018. május 30.
  25. ↑ Seesandra V. Rajagopala, Sherwood Casjens, Peter Uetz. A lambda bakteriofág fehérje interakciós térképe  // BMC Microbiology. — 2011-09-26. - T. 11 . - S. 213 . — ISSN 1471-2180 . - doi : 10.1186/1471-2180-11-213 .
  26. ↑ Paul L. Bartel, Jennifer A. Roecklein, Dhruba SenGupta, Stanley Fields. Az Escherichia coli T7 bakteriofág fehérjekapcsolati térképe  (angol)  // Nature Genetics. — 1996-01. - T. 12 , sz. 1 . – S. 72–77 . - ISSN 1546-1718 1061-4036, 1546-1718 . - doi : 10.1038/ng0196-72 .
  27. ↑ Mourad Sabri, Roman Häuser, Marc Ouellette, Jing Liu, Mohammed Dehbi. Genom-annotáció és intravirális interaktum a Streptococcus pneumoniae virulens fág Dp-1 számára  //  Journal of Bacteriology. — 2011-01-15. — Vol. 193 , iss. 2 . — P. 551–562 . — ISSN 1098-5530 0021-9193, 1098-5530 . - doi : 10.1128/JB.01117-10 . Archiválva az eredetiből 2018. június 2-án.
  28. ↑ Roman Häuser, Mourad Sabri, Sylvain Moineau, Peter Uetz. A Streptococcus pneumoniae Cp-1 fág proteomja és interaktómája  //  Journal of Bacteriology. — 2011-06-15. — Vol. 193 , iss. 12 . — P. 3135–3138 . — ISSN 1098-5530 0021-9193, 1098-5530 . - doi : 10.1128/JB.01481-10 . Archiválva az eredetiből 2018. június 2-án.
  29. ↑ Thorsten Stellberger, Roman Häuser, Armin Baiker, Venkata R. Pothineni, Jürgen Haas. Az élesztő két-hibrid rendszerének javítása permutált fúziós fehérjékkel: a Varicella Zoster Virus interactome  // Proteome Science. — 2010-02-15. - T. 8 . - S. 8 . — ISSN 1477-5956 . - doi : 10.1186/1477-5956-8-8 .
  30. ↑ Kapila Kumar, Jyoti Rana, R. Sreejith, Reema Gabrani, Sanjeev K. Sharma. A Chandipura vírus intravirális fehérje kölcsönhatásai  (angol)  // Archives of Virology. — 2012-10-01. — Vol. 157 , iss. 10 . — P. 1949–1957 . — ISSN 1432-8798 0304-8608, 1432-8798 . - doi : 10.1007/s00705-012-1389-5 . Az eredetiből archiválva : 2018. május 30.
  31. ↑ 1 2 3 4 Even Fossum, Caroline C. Friedel, Seesandra V. Rajagopala, Björn Titz, Armin Baiker. Evolúciósan konzervált Herpesviral Protein Interaction Networks  //  PLOS Pathogens. — 2009-09-04. — Vol. 5 , iss. 9 . — P.e1000570 . — ISSN 1553-7374 . - doi : 10.1371/journal.ppat.1000570 . Archiválva az eredetiből 2022. június 15-én.
  32. ↑ Nicole Hagen, Karen Bayer, Kathrin Rösch, Michael Schindler. A hepatitis C vírus intravirális fehérje interakciós hálózata  // Molecular & cellular proteomics: MCP. — 2014-7. - T. 13 , sz. 7 . - S. 1676-1689 . — ISSN 1535-9484 . - doi : 10.1074/mcp.M113.036301 . Az eredetiből archiválva : 2018. május 31.
  33. ↑ Andreas Osterman, Thorsten Stellberger, Anna Gebhardt, Marisa Kurz, Caroline C. Friedel. A hepatitis E vírus intravirális interaktumja  (angol)  // Tudományos jelentések. — 2015-10-14. - T. 5 , sz. 1 . — ISSN 2045-2322 . - doi : 10.1038/srep13872 . Archiválva : 2019. május 1.
  34. ↑ Yu-Chi Chen, Seesandra Venkatappa Rajagopala, Thorsten Stellberger, Peter Uetz. Az élesztő két-hibrid rendszerének kimerítő benchmarkingja  //  Nature Methods. – 2010/09. - T. 7 , sz. 9 . – S. 667–668 . — ISSN 1548-7105 . - doi : 10.1038/nmeth0910-667 . Archiválva : 2021. május 25.
  35. ↑ JC Rain, L. Selig, H. De Reuse, V. Battaglia, C. Reverdy. A Helicobacter pylori fehérje-fehérje interakciós térképe  // Természet. - 2001-01-11. - T. 409 , sz. 6817 . – S. 211–215 . — ISSN 0028-0836 . - doi : 10.1038/35051615 . Archiválva az eredetiből 2018. július 23-án.
  36. ↑ Roman Häuser, Arnaud Ceol, Seesandra V. Rajagopala, Roberto Mosca, Siszler Gabriella. A Helicobacter pylori második generációs fehérje-fehérje interakciós hálózata  // Molekuláris és celluláris proteomika: MCP. — 2014-5. - T. 13 , sz. 5 . - S. 1318-1329 . — ISSN 1535-9484 . - doi : 10.1074/mcp.O113.033571 . Az eredetiből archiválva : 2018. május 31.
  37. ↑ Jodi R. Parrish, Jingkai Yu, Guozhen Liu, Julie A. Hines, Jason E. Chan. A proteom egészére kiterjedő fehérje interakciós térkép a Campylobacter jejuni számára  // Genome Biology. — 2007-07-05. - T. 8 . - S. R130 . — ISSN 1474-760X . - doi : 10.1186/gb-2007-8-7-r130 .
  38. ↑ 1 2 Björn Titz, Seesandra V. Rajagopala, Johannes Goll, Roman Häuser, Matthew T. McKevitt. A Treponema pallidum bináris fehérje kölcsönhatása – The Syphilis Spirochete  (angol)  // PLOS ONE. — 2008-05-28. — Vol. 3 , iss. 5 . —P.e2292 . _ — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0002292 . Archiválva az eredetiből 2022. június 17-én.
  39. ↑ Pingzhao Hu, Sarath Chandra Janga, Mohan Babu, J. Javier Díaz-Mejía, Gareth Butland. Az Escherichia coli globális funkcionális atlasza, amely korábban nem jellemzett fehérjéket foglal magában  //  PLOS Biology. — 2009-04-28. — Vol. 7 , iss. 4 . — P.e1000096 . — ISSN 1545-7885 . - doi : 10.1371/journal.pbio.1000096 . Archiválva az eredetiből 2022. április 23-án.
  40. ↑ Seesandra V Rajagopala, Patricia Sikorski, Ashwani Kumar, Roberto Mosca, James Vlasblom. Az Escherichia coli bináris fehérje-fehérje interakciós tája  // Nature Biotechnology. — 2014-02-23. - T. 32 , sz. 3 . – S. 285–290 . - ISSN 1546-1696 1087-0156, 1546-1696 . - doi : 10.1038/nbt.2831 . Archiválva az eredetiből 2021. február 24-én.
  41. ↑ Yoshikazu Shimoda, Sayaka Shinpo, Mitsuyo Kohara, Yasukazu Nakamura, Satoshi Tabata. A fehérje-fehérje kölcsönhatások nagy léptékű elemzése a Mesorhizobium loti nitrogénmegkötő baktériumban  //  DNS-kutatás. — 2008-02-01. — Vol. 15 , iss. 1 . — P. 13–23 . - ISSN 1340-2838 . - doi : 10.1093/dnares/dsm028 . Az eredetiből archiválva : 2018. május 30.
  42. ↑ Yi Wang, Tao Cui, Cong Zhang, Min Yang, Yuanxia Huang. Globális fehérje-fehérje interakciós hálózat a Mycobacterium tuberculosis H37Rv humán kórokozóban  // Journal of Proteome Research. — 2010-12-03. - T. 9 , sz. 12 . — S. 6665–6677 . — ISSN 1535-3907 . - doi : 10.1021/pr100808n . Archiválva az eredetiből 2018. július 23-án.
  43. ↑ Sebastian Kühner, Vera van Noort, Matthew J. Betts, Alejandra Leo-Macias, Claire Batisse. Proteom szerveződés egy genom-redukált baktériumban  // Science (New York, NY). — 2009-11-27. - T. 326 , sz. 5957 . - S. 1235-1240 . — ISSN 1095-9203 . - doi : 10.1126/tudomány.1176343 . Az eredetiből archiválva : 2018. május 31.
  44. ↑ Shusei Sato, Yoshikazu Shimoda, Akiko Muraki, Mitsuyo Kohara, Yasukazu Nakamura. Nagy léptékű fehérje-fehérje kölcsönhatás elemzés Synechocystis sp. PCC6803  (angol)  // DNS-kutatás. - 2007-01-01. — Vol. 14 , iss. 5 . — P. 207–216 . - ISSN 1340-2838 . - doi : 10.1093/dnares/dsm021 . Az eredetiből archiválva : 2018. május 30.
  45. ↑ Artem Cherkasov, Michael Hsing, Roya Zoraghi, Leonard J. Foster, Raymond H. Lásd. A Protein Interaction Network feltérképezése a meticillinrezisztens Staphylococcus aureusban (EN) // Journal of Proteome Research. — 2011-03-04. - T. 10 , sz. 3 . - S. 1139-1150 . - ISSN 1535-3907 1535-3893, 1535-3907 . doi : 10.1021 / pr100918u .
  46. ↑ 1 2 3 B. Schwikowski, P. Uetz, S. Fields. A fehérje-fehérje kölcsönhatások hálózata az élesztőben  // Nature Biotechnology. - 2000-12. - T. 18 , sz. 12 . - S. 1257-1261 . — ISSN 1087-0156 . - doi : 10.1038/82360 . Archiválva az eredetiből 2018. július 23-án.
  47. ↑ Peter Uetz, Loic Giot, Gerard Cagney, Traci A. Mansfield, Richard S. Judson. A fehérje-fehérje kölcsönhatások átfogó elemzése Saccharomyces cerevisiae-ben  (angol)  // Természet. - 2000-02. - T. 403 , sz. 6770 . – S. 623–627 . — ISSN 1476-4687 0028-0836, 1476-4687 . - doi : 10.1038/35001009 . Archiválva az eredetiből 2021. február 25-én.
  48. ↑ Nevan J. Krogan, Gerard Cagney, Haiyuan Yu, Gouqing Zhong, Xinghua Guo. A Saccharomyces cerevisiae élesztőben lévő fehérjekomplexek globális tájképe  (angol)  // Természet. — 2006-03. - T. 440 , sz. 7084 . – S. 637–643 . — ISSN 1476-4687 0028-0836, 1476-4687 . - doi : 10.1038/nature04670 . Az eredetiből archiválva : 2019. december 9.
  49. ↑ Vera Pancaldi, Ömer S. Saraç, Charalampos Rallis, Janel R. McLean, Martin Převorovský. A hasadási élesztőfehérje kölcsönhatási hálózat előrejelzése  //  G3: Gének, genomok, genetika. — 2012-04-01. — Vol. 2 , iss. 4 . — P. 453–467 . — ISSN 2160-1836 . - doi : 10.1534/g3.111.001560 . Az eredetiből archiválva : 2018. május 30.
  50. ↑ Vo TV , Das J. , Meyer MJ , Cordero NA , Akturk N. , Wei X. , Fair BJ , Degatano AG , Fragoza R. , Liu LG , Matsuyama A. , Trickey M. , Horibata S. , Grimson A. , Yamano H. , Yoshida M. , Roth FP , Pleiss JA , Xia Y. , Yu H. A Proteome-wide Fission Yeast Interactome Reveals Network Evolution Principles from Yeasts to Human.  (angol)  // Cell. - 2016. - Kt. 164. sz. 1-2 . - P. 310-323. - doi : 10.1016/j.cell.2015.11.037 . — PMID 26771498 .
  51. ↑ B. de Chassey, V. Navratil, L. Tafforeau, M. S. Hiet, A. Aublin-Gex. Hepatitis C vírus fertőzés fehérje hálózat  // Molecular Systems Biology. - 2008. - T. 4 . - S. 230 . — ISSN 1744-4292 . - doi : 10.1038/msb.2008.66 . Archiválva az eredetiből 2018. április 7-én.
  52. ↑ V. Navratil, B. de Chassey, L. Meyniel, F. Pradezynski, P. André. A vírusok és az emberi I. típusú interferonrendszer hálózata közötti fehérje-fehérje kölcsönhatások rendszerszintű összehasonlítása  // Journal of Proteome Research. — 2010-07-02. - T. 9 , sz. 7 . — S. 3527–3536 . — ISSN 1535-3907 . - doi : 10.1021/pr100326j . Archiválva az eredetiből 2018. július 23-án.
  53. ↑ Mohamed Ali Ghadie, Luke Lambourne, Marc Vidal, Yu Xia. Az emberi izoforma interaktóma tartományalapú előrejelzése betekintést nyújt az alternatív splicing funkcionális hatásába  //  PLOS Computational Biology. — 2017-08-28. — Vol. 13 , iss. 8 . — P. e1005717 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.1005717 . Archiválva az eredetiből 2022. június 16-án.
  54. ↑ Kevin R. Brown, Igor Jurisica. Online előrejelzett emberi interakciós adatbázis  // Bioinformatika (Oxford, Anglia). - 2005-05-01. - T. 21 , sz. 9 . — S. 2076–2082 . — ISSN 1367-4803 . - doi : 10.1093/bioinformatika/bti273 . Archiválva az eredetiből 2018. április 7-én.
  55. ↑ Haibin Gu, Pengcheng Zhu, Yinming Jiao, Yijun Meng, Ming Chen. PRIN: a megjósolt rizs interaktome hálózat  // BMC bioinformatika. — 2011-05-16. - T. 12 . - S. 161 . — ISSN 1471-2105 . - doi : 10.1186/1471-2105-12-161 . Archiválva az eredetiből 2018. július 23-án.
  56. ↑ Jing Guo, Huan Li, Ji-Wei Chang, Yang Lei, Sen Li. Fehérje-fehérje interakciós hálózat előrejelzése és jellemzése Xanthomonas oryzae pv. oryzae PXO99 A  // Mikrobiológiai kutatás. - 2013. december - T. 164 , sz. 10 . – S. 1035–1044 . — ISSN 1769-7123 . - doi : 10.1016/j.resmic.2013.09.001 . Archiválva az eredetiből 2018. július 23-án.
  57. ↑ Jane Geisler-Lee, Nicholas O'Toole, Ron Ammar, Nicholas J. Provart, A. Harvey Millar. Az Arabidopsis előrejelzett interaktóma  // Növényélettan. - 2007. október - T. 145 , 1. sz. 2 . – S. 317–329 . — ISSN 0032-0889 . - doi : 10.1104/pp.107.103465 . Archiválva az eredetiből 2018. július 23-án.
  58. ↑ Junyang Yue, Wei Xu, Rongjun Ban, Shengxiong Huang, Min Miao. PTIR: Predicted Tomato Interactome Resource  // Tudományos jelentések. - 2016. 04 28. - T. 6 . - S. 25047 . — ISSN 2045-2322 . - doi : 10.1038/srep25047 . Archiválva az eredetiből 2018. április 7-én.
  59. ↑ Jianhua Yang, Kim Osman, Mudassar Iqbal, Dov J. Stekel, Zewei Luo. A Brassica rapa interaktóma következtetése az Arabidopsis thaliana fehérje-fehérje kölcsönhatási adatainak felhasználásával  // Frontiers in Plant Science. - 2012. - T. 3 . - S. 297 . — ISSN 1664-462X . - doi : 10.3389/fpls.2012.00297 . Archiválva az eredetiből 2018. április 7-én.
  60. ↑ Guanghui Zhu, Aibo Wu, Xin-Jian Xu, Pei-Pei Xiao, Le Lu. PPIM: Protein-Protein Interaction Database for Maize  // Növényélettan. - 2016. február - T. 170 , sz. 2 . – S. 618–626 . — ISSN 1532-2548 . - doi : 10.1104/pp.15.01821 . Archiválva az eredetiből 2018. április 7-én.
  61. ↑ Eli Rodgers-Melnick, Mark Culp, Stephen P. DiFazio. Teljes genom fehérje kölcsönhatási hálózatok előrejelzése elsődleges szekvencia adatokból modell és nem modell szervezetekben az ENTS  // BMC genomika segítségével. — 2013-09-10. - T. 14 . - S. 608 . — ISSN 1471-2164 . - doi : 10.1186/1471-2164-14-608 . Archiválva az eredetiből 2018. július 23-án.
  62. ↑ Tero Aittokallio, Benno Schwikowski. Grafikon alapú módszerek hálózatok elemzésére a sejtbiológiában  (angol)  // Briefings in Bioinformatics. - 2006-09-01. — Vol. 7 , iss. 3 . — P. 243–255 . — ISSN 1467-5463 . - doi : 10.1093/bib/bbl022 . Archiválva : 2018. május 13.
  63. ↑ A gráfelmélet szószedete  // Wikipédia. — 2017-02-10.
  64. ↑ 1 2 Jackson MO Social and Economic Networks. — Princetoni egyetemi sajtó, 2010. — 520 p. — ISBN 9780691148205 .
  65. ↑ Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. Az emberi interaktóm hálózat proteomméretű térképe  // Sejt. — 2014-11-20. - T. 159 , sz. 5 . - S. 1212-1226 . — ISSN 1097-4172 . - doi : 10.1016/j.cell.2014.10.050 . Archiválva az eredetiből 2017. június 13-án.
  66. ↑ ML Goldstein, SA Morris, GG Yen. Problémák a hatványtörvény eloszláshoz való illesztéssel  (angol)  // The European Physical Journal B - Condensed Matter and Complex Systems. — 2004-09-01. — Vol. 41 , iss. 2 . — P. 255–258 . - ISSN 1434-6036 1434-6028, 1434-6036 . - doi : 10.1140/epjb/e2004-00316-5 . Archiválva : 2018. május 13.
  67. ↑ A. Clauset, C. Shalizi, M. Newman. Power-Law Distributions in Empirical Data  // SIAM Review. — 2009-11-04. - T. 51 , sz. 4 . – S. 661–703 . — ISSN 0036-1445 . - doi : 10.1137/070710111 . Archiválva : 2019. október 19.
  68. ↑ Üdvözöljük az igraph új  otthonában . igraph – A hálózatelemző csomag . igraph.org. Letöltve: 2017. március 31. Az eredetiből archiválva : 2017. március 17.
  69. ↑ Barabasi, Albert-Lászlo. Linked: a hálózatok új tudománya . - Cambridge, Mass.: Perseus Pub, 2002. - 280 oldal p. - ISBN 0738206679 , 9780738206677.
  70. ↑ J. Janssen, P. Pralat. Rang alapú kötődés hatványtörvény gráfokhoz vezet  // SIAM Journal on Discrete Mathematics. — 2010-01-01. - T. 24 , sz. 2 . — S. 420–440 . — ISSN 0895-4801 . - doi : 10.1137/080716967 . Archiválva az eredetiből 2022. január 28-án.
  71. ↑ Reiko Tanaka, Tau-Mu Yi, John Doyle. Egyes fehérjekölcsönhatási adatok nem mutatnak hatványtörvény-statisztikát  //  FEBS Letters. - 2005-09-26. — Vol. 579 , iss. 23 . - P. 5140-5144 . — ISSN 1873-3468 . - doi : 10.1016/j.febslet.2005.08.024 . Archiválva az eredetiből 2017. április 2-án.
  72. ↑ Gipsi Lima-Mendez, Jacques van Helden. A hatványtörvény erőteljes törvénye és más mítoszok a hálózatbiológiában  (angol)  // Molecular BioSystems. — 2009-01-01. — Vol. 5 , iss. 12 . - doi : 10.1039/B908681A . Archiválva az eredetiből 2017. április 2-án.
  73. ↑ 1 2 Haiyuan Yu, Pascal Braun, Muhammed A. Yıldırım, Irma Lemmens, Kavitha Venkatesan. Kiváló minőségű bináris fehérje interakciós térkép az élesztő interaktome hálózatáról   // Tudomány . — 2008-10-03. — Vol. 322 , iss. 5898 . — P. 104–110 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/tudomány.1158684 . Az eredetiből archiválva : 2018. május 30.
  74. ↑ Philip M. Kim, Long J. Lu, Yu Xia, Mark B. Gerstein. A háromdimenziós struktúrák és a fehérjehálózatok összekapcsolása evolúciós betekintést nyújt   // Tudomány . — 2006-12-22. — Vol. 314 , iss. 5807 . — P. 1938–1941 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/tudomány.1136174 . Az eredetiből archiválva : 2018. május 30.
  75. ↑ Prediktív gyógyászat - Legfrissebb kutatások és hírek | Természet  (angolul) . www.nature.com. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. május 6..
  76. ↑ Susan Dina Ghiassian, Jörg Menche, Barabási Albert-László. A betegségmodul észlelési (DIAMonD) algoritmusa, amely az emberi interaktumban lévő betegségfehérjék kapcsolódási mintáinak szisztematikus elemzéséből származik  // PLOS Computational Biology. — 2015-04-08. - T. 11 , sz. 4 . — S. e1004120 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.1004120 . Archiválva az eredetiből 2022. június 14-én.
  77. ↑ Osztályozás . MachineLearning.ru . www.machinelearning.ru Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 29..
  78. ↑ 1 2 Madhavi K. Ganapathiraju, Mohamed Thahir, Adam Handen, Saumendra N. Sarkar, Robert A. Sweet. A skizofrénia interakciója 504 új fehérje-fehérje interakcióval  // NPJ skizofrénia. - 2016. - T. 2 . - S. 16012 . — ISSN 2334-265X . - doi : 10.1038/npjschz.2016.12 . Archiválva az eredetiből 2018. július 23-án.
  79. ↑ 1 2 Yanjun Qi, Harpreet K. Dhiman, Neil Bhola, Ivan Budyak, Siddhartha Kar. Az emberi membránreceptor-kölcsönhatások szisztematikus előrejelzése  // Proteomika. - 2009. december - T. 9 , sz. 23 . — S. 5243–5255 . — ISSN 1615-9861 . - doi : 10.1002/pmic.200900259 . Archiválva az eredetiből 2018. július 23-án.
  80. ↑ Yanjun Qi, Ziv Bar-Joseph, Judith Klein-Seetharaman. Különféle biológiai adatok és számítási osztályozási módszerek értékelése a fehérjekölcsönhatás előrejelzésében  // Proteins. - 2006-05-15. - T. 63 , sz. 3 . — S. 490–500 . — ISSN 1097-0134 . - doi : 10.1002/prot.20865 . Archiválva az eredetiből 2018. július 23-án.
  81. ↑ 12 University of Dundee. PIP-k: Humán fehérje-fehérje kölcsönhatás előrejelzése . www.compbio.dundee.ac.uk. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. június 15.
  82. ↑ Sven Mika, Burkhard Rost. A fehérje-fehérje kölcsönhatások konzerváltabbak a fajon belül, mint a fajok között  // PLoS számítási biológia. — 2006-07-21. - T. 2 , sz. 7 . - S. e79 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.0020079 . Archiválva az eredetiből 2018. április 8-án.
  83. ↑ Yi-Chao Han, Jia-Ming Song, Long Wang, Cheng-Cheng Shu, Jing Guo. A Bacillus licheniformis WX-02 fehérje-fehérje interakciós hálózatának előrejelzése és jellemzése  (angol)  // Tudományos jelentések. — 2016-01-19. - T. 6 , sz. 1 . — ISSN 2045-2322 . - doi : 10.1038/srep19486 . Archiválva az eredetiből 2017. február 19-én.
  84. ↑ Weerayuth Kittichotirat, Michal Guerquin, Roger E. Bumgarner, Ram Samudrala. Protinfo PPC: webszerver a fehérjekomplexek atomi szintű előrejelzéséhez  // Nucleic Acids Research. - 2009. július - T. 37 , sz. Webszerver probléma . — S. W519–525 . — ISSN 1362-4962 . - doi : 10.1093/nar/gkp306 . Archiválva az eredetiből 2018. április 8-án.
  85. ↑ Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Humán fehérje interaktóma nagyléptékű feltérképezése szerkezeti komplexek segítségével  // EMBO jelentések. — 2012-03-01. - T. 13 , sz. 3 . – S. 266–271 . — ISSN 1469-3178 . - doi : 10.1038/embor.2011.261 . Archiválva az eredetiből 2018. április 8-án.
  86. ↑ Thomas A. Hopf, Charlotta PI Schärfe, João PGLM Rodrigues, Anna G. Green, Oliver Kohlbacher. A szekvencia koevolúciója 3D-s kapcsolatokat és fehérjekomplexek szerkezetét adja  // eLife. — 2014-09-25. - T. 3 . — ISSN 2050-084X . - doi : 10.7554/eLife.03430 . Archiválva az eredetiből 2018. április 8-án.
  87. ↑ Kushal Veer Singh, Lovekesh Vig. A hiányzó fehérje interaktóm linkek jobb előrejelzése anomália kimutatással  //  Applied Network Science. — 2017-01-28. - T. 2 , sz. 1 . - S. 2 . — ISSN 2364-8228 . - doi : 10.1007/s41109-017-0022-7 . Archiválva az eredetiből 2017. április 2-án.
  88. ↑ Robert Hoffmann, Martin Krallinger, Eduardo Andres, Javier Tamames, Christian Blaschke. Szövegbányászat metabolikus útvonalakhoz, jelátviteli kaszkádokhoz és fehérjehálózatokhoz  // Science's STKE: jelátviteli tudáskörnyezet. — 2005-05-10. - T. 2005 , sz. 283 . - S. pe21 . — ISSN 1525-8882 . - doi : 10.1126/stke.2832005pe21 . Archiválva az eredetiből 2018. április 8-án.
  89. ↑ Jason McDermott, Roger Bumgarner, Ram Samudrala. Funkcionális annotáció előre jelzett fehérjekölcsönhatási hálózatokból  (angol)  // Bioinformatika. - 2005-08-01. — Vol. 21 , iss. 15 . — P. 3217–3226 . — ISSN 1367-4803 . - doi : 10.1093/bioinformatika/bti514 . Az eredetiből archiválva : 2018. május 30.
  90. ↑ Seesandra V. Rajagopala, Patricia Sikorski, J. Harry Caufield, Andrey Tovchigrechko, Peter Uetz. Fehérjekomplexek tanulmányozása az élesztő két-hibrid rendszerével  // Módszerek (San Diego, Kalifornia). - 2012. december - T. 58 , sz. 4 . – S. 392–399 . — ISSN 1095-9130 . - doi : 10.1016/j.ymeth.2012.07.015 . Archiválva az eredetiből 2018. július 23-án.
  91. ↑ Barabási Albert-László, Oltvai N. Zoltán. Hálózatbiológia: a sejt funkcionális szervezetének megértése  // Nature Reviews. genetika. - 2004. február - V. 5 , 1. sz. 2 . – S. 101–113 . — ISSN 1471-0056 . doi : 10.1038 / nrg1272 . Archiválva az eredetiből 2018. január 25-én.
  92. ↑ Kwang-Il Goh, In-Geol Choi. Exploring the human Diseasome: the Human Diseasome Network  // Briefings in Functional Genomics. - 2012. november - T. 11 , sz. 6 . – S. 533–542 . — ISSN 2041-2657 . doi : 10.1093 / bfgp/els032 . Archiválva az eredetiből 2018. április 8-án.
  93. ↑ Barabási Albert-László, Natali Gulbahce, Joseph Loscalzo. Hálózati medicina: hálózatalapú megközelítés az emberi betegségekhez  // Nature Reviews. genetika. - 2011. január - T. 12 , sz. 1 . – 56–68 . — ISSN 1471-0064 . - doi : 10.1038/nrg2918 . Archiválva az eredetiből 2018. április 8-án.
  94. ↑ 1 2 Jeffrey Perkel. Az Interactome érvényesítése | The Scientist Magazine® . The Scientist (2004. június 21.). Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  95. ↑ Christoph Doepmann. Felmérés a grafikonok igazítási problémájáról és a megfelelő algoritmusok referenciaértéke. Expozíció az alapdolgozathoz. / Ulf Leser, Andre Koschmieder. — Humboldt-Universitaet zu Berlin, Institut fuer Informatik, 2013. Archiválva : 2017. április 2. a Wayback Machine -nél
  96. ↑ Roland A. Pache, Arnaud Ceol, Patrick Aloy. NetAligner – egy hálózati igazítási kiszolgáló komplexek, útvonalak és teljes interaktómák összehasonlítására  (angol)  // Nucleic Acids Research. — 2012-07-01. — Vol. 40 , iss. W1 . — P. W157–W161 . — ISSN 0305-1048 . - doi : 10.1093/nar/gks446 . Az eredetiből archiválva : 2018. május 30.
  97. ↑ 1 2 Cannataro, Mario, 1964-. Fehérje interakciós hálózatok adatkezelése . - Hoboken, NJ: Wiley, 2011. - 1 online forrás (xxxiv, 182 oldal) p. - ISBN 9781118103746 , 1118103742, 1118103718, 9781118103715.
  98. ↑ Laura Bonetta. Fehérje-fehérje kölcsönhatások: Interactome építés alatt   // Nature . — 2010-12-09. — Vol. 468 , iss. 7325 . - P. 851-854 . — ISSN 0028-0836 . - doi : 10.1038/468851a . Archiválva az eredetiből 2017. április 2-án.
  99. ↑ Koimmunoprecipitáció (Co-IP  ) . www.thermofisher.com Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. július 25.
  100. ↑ HuRI | Kezdőlap  (angol) . Human Reference Protein Interactome Project . interactome.baderlab.org. Letöltve: 2017. március 31. Az eredetiből archiválva : 2017. április 1..
  101. ↑ CCSB  . _ Center for Cancer Systems Biology (CCSB) . ccsb.dfci.harvard.edu. Letöltve: 2017. március 31. Az eredetiből archiválva : 2017. április 1..
  102. ↑ 12 MENT . _ MINT – A molekuláris interakciós adatbázis . mint.bio.uniroma2.it. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. május 5..
  103. ↑ molekuláris genetikai csoport  . www.moleculargenetics.it. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. február 17..
  104. ↑ Kölcsönhatásba lépő fehérjék adatbázisa . A DIP adatbázis . Letöltve: 2017. április 1. Az eredetiből archiválva : 2009. március 14.
  105. ↑ GD Bader, I. Donaldson, C. Wolting, BF Ouellette, T. Pawson. BIND – A biomolekuláris interakciós hálózat adatbázisa  // Nukleinsavak kutatása. - 2001-01-01. - T. 29 , sz. 1 . – S. 242–245 . — ISSN 1362-4962 . Az eredetiből archiválva : 2018. május 31.
  106. ↑ Adatbázisok veszélyben  //  Nature Cell Biology. - 2005-07-01. — Vol. 7 , iss. 7 . — P. 639–639 . — ISSN 1465-7392 . - doi : 10.1038/ncb0705-639b . Archiválva az eredetiből 2017. április 1-jén.
  107. ↑ 12 GeneMANIA . _ genemania.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 20.
  108. ↑ Torontói  Egyetem . www.utoronto.ca. Letöltve: 2017. április 1. Az eredetiből archiválva : 2011. február 24..
  109. ↑ Kiváló minőségű INTeractomes . hint.yulab.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 1..
  110. ↑ Yu Lab – Cornell Egyetem . yulab.icmb.cornell.edu. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 1..
  111. ↑ Ép. http://www.ebi.ac.uk/intact/  _ _ www.ebi.ac.uk. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 8..
  112. ↑ Sandra Orchard, Mais Ammari, Bruno Aranda, Lionel Breuza, Leonardo Briganti. A MINtAct projekt – az IntAct, mint 11 molekuláris interakciós adatbázis közös felügyeleti platformja  // Nucleic Acids Research. — 2014-1. - T. 42 , sz. Adatbázis probléma . — S. D358–363 . — ISSN 1362-4962 . - doi : 10.1093/nar/gkt1115 . Az eredetiből archiválva : 2018. május 31.
  113. ↑ Ép. http://www.ebi.ac.uk/intact/about/statistics?conversationContext=8#it  . _ www.ebi.ac.uk. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  114. ↑ Ép. http://www.ebi.ac.uk/intact/about/overview;jsessionid=F9BA9ECD507219503D95BBB7E3B21128  (angol) . www.ebi.ac.uk. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  115. ↑ Mike Tyers Lab. BioGRID | Fehérje-, kémiai és genetikai kölcsönhatások  adatbázisa . thebiogrid.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. szeptember 11..
  116. ↑ BioGRID adatbázis-statisztika | BioGRID  . _ wiki.thebiogrid.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. február 23..
  117. ↑ A BioGRID-ről | BioGRID  . _ wiki.thebiogrid.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  118. ↑ Kai Xia, Dong Dong, Jing-Dong J. Han. IntNetDB v1.0: valószínűségi modell által generált integrált fehérje-fehérje interakciós hálózati adatbázis  // BMC Bioinformatics. - 2006-01-01. - T. 7 . - S. 508 . — ISSN 1471-2105 . - doi : 10.1186/1471-2105-7-508 .
  119. ↑ Üdvözöljük a DroID: The Comprehensive Drosophila Interactions Database webhelyen . www.droidb.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 9..
  120. ↑ Drosophila Interactions adatbázis . www.droidb.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 12..
  121. ↑ TAIR -  Kezdőlap . Az Arabidopsis információs forrás . www.arabidopsis.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 19.
  122. ↑ Phoenix  Home . Phoenix Bioinformatika . www.phoenixbioinformatics.org. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 2..
  123. ↑ Dundee Egyetem. Dundee  Egyetem . Dundee Egyetem. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. április 1..
  124. ↑ Üdvözöljük a PRIN - Predicted Rice Interactome hálózaton . Oryza sativa fehérje-fehérje kölcsönhatási hálózat . bis.zju.edu.cn. Letöltve: 2017. április 1. Az eredetiből archiválva : 2017. január 11..
  125. ↑ Lépjen kapcsolatba velünk . Oryza sativa fehérje-fehérje kölcsönhatási hálózat . bis.zju.edu.cn. Letöltve: 2017. április 1. Az eredetiből archiválva : 2018. március 17.