• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IAPR international conference on pattern recognition in bioinformatics >Active Learning for Protein Function Prediction in Protein-Protein Interaction Networks
【24h】

Active Learning for Protein Function Prediction in Protein-Protein Interaction Networks

机译：蛋白质-蛋白质相互作用网络中蛋白质功能预测的主动学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The high-throughput technologies have led to vast amounts of protein-protein interaction (PPI) data, and a number of approaches based on PPI networks have been proposed for protein function prediction. However, these approaches do not work well if annotated proteins are scarce in the networks. To address this issue, we propose an active learning based approach that uses graph-based centrality metrics to select proper candidates for labeling. We first cluster a PPI network by using the spectral clustering algorithm and select some proper candidates for labeling within each cluster, and then apply a collective classification algorithm to predict protein function based on these annotated proteins. Experiments over two real datasets demonstrate that the active learning based approach achieves better prediction performance by choosing more informative proteins for labeling. Experimental results also validate that betweenness centrality is more effective than degree centrality and closeness centrality in most cases.
机译：高通量技术导致了大量的蛋白质间相互作用（PPI）数据，并且已经提出了许多基于PPI网络的方法来预测蛋白质功能。但是，如果网络中缺少注释的蛋白质，这些方法将无法很好地发挥作用。为了解决此问题，我们提出了一种基于主动学习的方法，该方法使用基于图的中心度指标来选择合适的候选标签。我们首先使用频谱聚类算法对PPI网络进行聚类，并在每个聚类中选择一些合适的候选标记，然后基于这些带注释的蛋白质应用集体分类算法来预测蛋白质功能。在两个真实数据集上进行的实验表明，基于主动学习的方法通过选择更多信息性蛋白质进行标记，可以实现更好的预测性能。实验结果还证明，在大多数情况下，中间性中心度比度中心性和紧密度中心性更有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号