一種改良的蛋白質(zhì)復(fù)合物識(shí)別方法

李 彬，欒悉道，王 鑫，李學(xué)勇

(長(zhǎng)沙大學(xué)信息與計(jì)算科學(xué)系，湖南長(zhǎng)沙410022)

近期的實(shí)驗(yàn)發(fā)展，如酵母雙雜交實(shí)驗(yàn)［1］、串聯(lián)親和純化［2］以及質(zhì)譜法［3］已導(dǎo)致經(jīng)產(chǎn)生了許多高質(zhì)量、大規(guī)模的PPI(蛋白質(zhì)相互作用)數(shù)據(jù).這些數(shù)據(jù)對(duì)于識(shí)別蛋白質(zhì)復(fù)合物奠定了基石.蛋白質(zhì)復(fù)合物對(duì)于了解細(xì)胞的功能組織，從而執(zhí)行其生物學(xué)功能具有非常重要的作用.

然而，由于相關(guān)實(shí)驗(yàn)技術(shù)的局限性和蛋白質(zhì)相互作用匹配的動(dòng)態(tài)自然性質(zhì)，從這些高通量的生物實(shí)驗(yàn)得到的PPI網(wǎng)絡(luò)中，相當(dāng)一部分相互作用包含假陽性［4］.研究［5］表明，經(jīng)過篩選的酵母雙雜交數(shù)據(jù)集中，假陽性相互作用的比例達(dá)到50%.這些實(shí)驗(yàn)數(shù)據(jù)中產(chǎn)生的錯(cuò)誤將對(duì)進(jìn)一步研究PPI網(wǎng)絡(luò)帶來負(fù)面影響.為減少PPI網(wǎng)絡(luò)中的假陽性，現(xiàn)已提出了幾種計(jì)算方法預(yù)測(cè)蛋白質(zhì)間的相互作用.其中大部分方法借助多種生物信息［6，7］，有些方法則依靠統(tǒng)計(jì)評(píng)分功能［8，9］來計(jì)算的蛋白質(zhì)系譜概要文件的上下文相似性，采用機(jī)器學(xué)習(xí)技術(shù)［10］預(yù)測(cè)蛋白質(zhì)相互作用網(wǎng)絡(luò)或使用支持向量機(jī)方法［11］構(gòu)建監(jiān)督分類來識(shí)別相互作用的蛋白質(zhì).

為評(píng)估高通量蛋白質(zhì)相互作用的可靠性，現(xiàn)已提出許多計(jì)算方法.一些方法被設(shè)計(jì)用于評(píng)估酵母蛋白質(zhì)相互作用網(wǎng)絡(luò)的整體誤差率［12，13］.相互作用數(shù)據(jù)的比較顯得尤為困難，因?yàn)樗麄兺鶃碜圆煌臈l件，呈現(xiàn)出不同的形式.因此，我們采用一些更為復(fù)雜的方法來評(píng)估單個(gè)相互作用的可靠性［14，15］.一些基因組信息，如基因??注釋，基因表達(dá)等已被用于該方法中，而另一些僅使用PPI網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu).

盡管這些計(jì)算方法和實(shí)驗(yàn)技術(shù)取得了長(zhǎng)足的進(jìn)步，我們?nèi)圆豢赡軜?gòu)建一個(gè)絕對(duì)可靠的PPI網(wǎng)絡(luò).所以，對(duì)于PPI網(wǎng)絡(luò)的應(yīng)用，如復(fù)合物的識(shí)別、蛋白的功能預(yù)測(cè)、關(guān)鍵蛋白質(zhì)的識(shí)別以及蛋白質(zhì)復(fù)合物的檢測(cè)等，相比評(píng)估可靠性或減少假陽性，允許假陽性的存在顯得更具有必要性和重要性.為了提高預(yù)測(cè)精度，一些算法考慮到PPI網(wǎng)絡(luò)的可靠性，并對(duì)PPI網(wǎng)絡(luò)中的相互作用進(jìn)行加權(quán).例如，CDdistance［16］和 FSWeight［17］兩種加權(quán)方式，權(quán)值根據(jù)相互作用的兩個(gè)蛋白質(zhì)的共同鄰居數(shù)量計(jì)算.他們已被證實(shí)具有較好的性能.即使對(duì)于加權(quán)PPI網(wǎng)絡(luò)上運(yùn)行的這些算法，相互作用的權(quán)重通常代表蛋白質(zhì)相互作用的優(yōu)先級(jí)，描述的一個(gè)子圖或者蛋白質(zhì)仍與非加權(quán)網(wǎng)絡(luò)中相同，一些方法引入了加權(quán)度.然而，當(dāng)大量的蛋白質(zhì)相互作用數(shù)據(jù)出現(xiàn)時(shí)，這些方法不足以得到令人滿意的結(jié)果.

本文考慮PPI網(wǎng)絡(luò)中相互作用的可靠性，構(gòu)建一個(gè)非確定性的PPI網(wǎng)絡(luò)，其中每個(gè)相互的可靠性通過一個(gè)存在概率表示.我們提出了一種改良的蛋白質(zhì)復(fù)合物識(shí)別方法.我們將改良的方法和有代表性的最先進(jìn)的復(fù)合物識(shí)別方法作比較.這些方法包括 MCL［18］，CMC［16］，COACH［19］和 Cluste rONE［20］.實(shí)驗(yàn)結(jié)果表明，我們提出的方法在準(zhǔn)確性和統(tǒng)計(jì)意義上明顯優(yōu)于這些算法.

1 方法

Gavin［21］等已對(duì)復(fù)合物組織結(jié)構(gòu)做了深入研究.研究結(jié)果顯示，一個(gè)復(fù)合物應(yīng)該由一個(gè)核心組成部分和附件構(gòu)成.核心蛋白質(zhì)是高度共表達(dá)的，每個(gè)附件綁定到核，從而形成具有生物特性的復(fù)合物.因此，本文提出的改良的蛋白質(zhì)復(fù)合物識(shí)別方法基于核－附件的思想.方法主要包括四個(gè)步驟:

(1)計(jì)算PPI網(wǎng)絡(luò)中每組相互作用間的概率及每個(gè)蛋白質(zhì)在其鄰居圖(即某一蛋白質(zhì)的所有鄰接蛋白質(zhì)構(gòu)成的子圖，包括這些蛋白質(zhì)間存在的相互作用)內(nèi)的支持度，所有蛋白質(zhì)根據(jù)支持度降序排列.

對(duì)于任意一組相互作用ei，其相應(yīng)的存在概率計(jì)算如下:

pi=Nic/Nimax其中Nic是相互作用ei的兩個(gè)蛋白質(zhì)共同鄰居數(shù)量，Nimax是兩個(gè)蛋白質(zhì)共同鄰居數(shù)量的最大值.Nimax等于兩個(gè)蛋白質(zhì)度的最小值減1.

蛋白質(zhì)在某一相互作用網(wǎng)絡(luò)內(nèi)的支持度定義為:

給定一個(gè)蛋白質(zhì)相互作用網(wǎng)絡(luò)G=(V，E，P)及蛋白質(zhì)va∈V，其中V={v1，v2，…，vn}是蛋白質(zhì)構(gòu)成的集合，E={e1，e2，…，em}是蛋白質(zhì)相互作用構(gòu)成的集合，P={p(e1)，p(e2)，…，p(em)}是相互作用對(duì)應(yīng)的概率值.蛋白質(zhì)va在相互作用網(wǎng)絡(luò)G內(nèi)的支持度定義為:，其中|V|是G中蛋白質(zhì)的個(gè)數(shù).

在本步驟中，相互作用網(wǎng)絡(luò)G是某一蛋白質(zhì)及其所有鄰接蛋白質(zhì)構(gòu)成的子圖，包括這些蛋白質(zhì)間存在的相互作用.

所有蛋白質(zhì)在其鄰居圖內(nèi)的支持度的平均值A(chǔ)vg_RD被計(jì)算，作為步驟3中判定附件蛋白質(zhì)能否加入核的閾值.

(2)從第一個(gè)蛋白質(zhì)開始，逐漸增加鄰居蛋白質(zhì)來形成具有高凝聚力和低耦合性的候選核.這一過程對(duì)所有的蛋白質(zhì)不斷重復(fù)直到產(chǎn)生了不重復(fù)的核心集.

該方法中，所有蛋白質(zhì)都享有成為種子的機(jī)會(huì).對(duì)于每一個(gè)選定的種子蛋白質(zhì)，初始核僅包括種子蛋白質(zhì).對(duì)于該種子蛋白質(zhì)的鄰接蛋白質(zhì)，嘗試將其加入核，若核的稠密度超過設(shè)定的閾值CT，則保留該鄰接蛋白質(zhì)，否則，將該鄰接蛋白質(zhì)從候選核中移除.候選核的稠密度為所有相互作用的概率值總和.種子蛋白質(zhì)的所有鄰居蛋白質(zhì)都被訪問之后，就可以形成一個(gè)高內(nèi)聚的候選核，其內(nèi)部各個(gè)蛋白質(zhì)間聯(lián)系比較緊密.

本方法中，每一個(gè)核不僅要求內(nèi)部比較稠密，同時(shí)要求核中蛋白質(zhì)與外部蛋白質(zhì)間的聯(lián)系應(yīng)該比較松散.為此，對(duì)于候選核中的蛋白質(zhì)，若某一蛋白質(zhì)與核外其他蛋白質(zhì)的聯(lián)系相比內(nèi)部蛋白質(zhì)間的聯(lián)系更加緊密，則移除該蛋白質(zhì)，同時(shí)被標(biāo)記為DISCARD狀態(tài).候選核中所有蛋白質(zhì)均被處理之后所保留的蛋白質(zhì)便形成一個(gè)真正意義上的核.

(3)添加附件蛋白質(zhì)到核形成蛋白質(zhì)復(fù)合物，其中附件蛋白質(zhì)與核的期望支持度大于指定的閾值.

只有步驟2中被標(biāo)記為DISCARD的蛋白質(zhì)才有可能成為附件蛋白質(zhì)被添加到核.

對(duì)于選定的附件蛋白質(zhì)，步驟3會(huì)將其與所有核做比較，若附件蛋白質(zhì)在某核內(nèi)的支持度超過步驟1中得到的閾值A(chǔ)vg_RD，則將附件蛋白質(zhì)添加到該核中.

(4)計(jì)算產(chǎn)生的復(fù)合物相互間的重疊率，當(dāng)重疊率超過指定的閾值時(shí)，移除那些具有更低的稠密度或者更小尺寸的復(fù)合物.

對(duì)于識(shí)別的兩個(gè)復(fù)合物A和B，兩者的重疊率的計(jì)算公式如下［19］:

本方法中重疊率的閾值設(shè)為0.8［21］.

2 實(shí)驗(yàn)結(jié)果與分析

本文數(shù)據(jù)集采用酵母PPI網(wǎng)絡(luò)，因?yàn)榻湍窹PI網(wǎng)絡(luò)是所有物種中最完整和可靠的.本文在DIP［22］數(shù)據(jù)集上運(yùn)行本方法和其他四種算法:MCL，CMC，COACH和 ClusterONE.DIP數(shù)據(jù)集發(fā)布日期為2012年8月18號(hào)，包含4895個(gè)蛋白質(zhì)和21776組蛋白質(zhì)間的相互作用.為了評(píng)估識(shí)別的蛋白質(zhì)復(fù)合物，本文采用CYC2008作為已知復(fù)合物集，CYC2008包含408個(gè)通過生物方法預(yù)測(cè)得到的復(fù)合物.本文主要從準(zhǔn)確率、召回率和P－Value值分析對(duì)幾種算法進(jìn)行對(duì)比分析.為了公平對(duì)比，在運(yùn)行其他四種算法時(shí)，相應(yīng)的參數(shù)均按照作者的建議設(shè)定為最優(yōu)值.本次實(shí)驗(yàn)設(shè)定CT=0.05.

為評(píng)估識(shí)別方法有效性，將從酵母蛋白質(zhì)網(wǎng)絡(luò)中識(shí)別出來的復(fù)合物與已知復(fù)合物進(jìn)行比較分析.算法識(shí)別出來的復(fù)合物與已知復(fù)合物的匹配程度OS根據(jù)公式(1)計(jì)算得到.

對(duì)于已知復(fù)合物數(shù)據(jù)集中的復(fù)合物KC，若識(shí)別出的復(fù)合物PC與之匹配程度OS(PC，KC)超過給定閾值，則稱該已知復(fù)合物被標(biāo)識(shí)，一般地，該閾值設(shè)置為0.2［19］.

算法的準(zhǔn)確率(Precision)和召回率(Recall)是用來評(píng)估復(fù)合物識(shí)別方法的兩個(gè)重要指標(biāo).準(zhǔn)確率是指識(shí)別的復(fù)合物中被標(biāo)識(shí)的數(shù)量與識(shí)別的復(fù)合物總量的比值;召回率是指已知復(fù)合物中被標(biāo)識(shí)的復(fù)合物數(shù)量與已知復(fù)合物總數(shù)的比值.

綜合準(zhǔn)確率和召回率兩個(gè)方面，提出了F－Score，它是準(zhǔn)確率和召回率的調(diào)和平均值，計(jì)算公式如(2)所示

表1給出了各種方法識(shí)別的復(fù)合物的基本信息.其中，Number表示各種識(shí)別的復(fù)合物總數(shù)，MKC是指識(shí)別的復(fù)合物中被標(biāo)識(shí)的復(fù)合物數(shù)量，MPC是指已知復(fù)合物中被標(biāo)識(shí)的復(fù)合物數(shù)量，PerfectNumber是完美匹配的復(fù)合物數(shù)量，即OS=1.

表1 各方法識(shí)別的復(fù)合物基本信息

從表1可見，本文提出的方法識(shí)別的復(fù)合物中被標(biāo)識(shí)的數(shù)量及完美匹配數(shù)量均居榜首.本方法與COACH方法均能使已知復(fù)合物中被標(biāo)識(shí)的復(fù)合物數(shù)量達(dá)到最大值(221).對(duì)比識(shí)別的復(fù)合物總數(shù)，COACH方法和MCL方法識(shí)別的復(fù)合物總數(shù)均超過本方法.這說明我們的方法具有更高的效率.

圖1顯示各種方法在DIP數(shù)據(jù)集中識(shí)別的復(fù)合物計(jì)算的Precision、Recall和F－Score對(duì)比分析.

圖1 各方法的結(jié)果對(duì)比分析

圖1顯示，在DIP數(shù)據(jù)集中，我們的方法能得到最高的準(zhǔn)確率、召回率和F－sccore值，這是我們的方法識(shí)別的復(fù)合物具有最高的MKC和MPC，而識(shí)別的復(fù)合物總數(shù)并非最多.我們方法的F－Score值分別比COACH、MCL、CMC和ClusterONE 提高了 23.59%，42.31%，53.09%和 92.88%.

本文采用GO功能富集分析評(píng)價(jià)識(shí)別的復(fù)合物的統(tǒng)計(jì)和生物特性.GO注釋是一種非常有效的評(píng)估蛋白質(zhì)相互作用可靠性的資源.GO::TermFinder是一個(gè)軟件模塊集合，決定共享的一組基因的統(tǒng)計(jì)學(xué)顯著特性.為了確定是否任意的GO條目能以一種超過偶然機(jī)會(huì)的頻率注釋特定領(lǐng)域的基因列表，GO::TermFinder通過一種超幾何分布計(jì)算P－value值.如果P－value越小，越接近0，則說明復(fù)合物能夠隨機(jī)出現(xiàn)這種功能的概率就越低，當(dāng)然可能更有生物學(xué)意義.同一個(gè)復(fù)合物內(nèi)的蛋白質(zhì)通常具有相同或相似的功能.一般將P－value的最小值對(duì)應(yīng)的功能作為該復(fù)合物的主要功能.通過給每個(gè)識(shí)別的復(fù)合物賦予其P－value最小時(shí)對(duì)應(yīng)的功能，可以識(shí)別未知蛋白質(zhì)的功能.一般地，若一個(gè)復(fù)合物的P－value＜0.01，則認(rèn)為這個(gè)復(fù)合物是顯著的.研究指出，顯著的復(fù)合物數(shù)量在識(shí)別的復(fù)合物總數(shù)中所占的比例可以用于評(píng)價(jià)各個(gè)算法的整體性能.另外，P－score值也是另外一種有效的評(píng)價(jià)手段，其定義如下所示:

表2顯示各種方法在DIP數(shù)據(jù)集上識(shí)別的復(fù)合物的顯著性統(tǒng)計(jì)信息.

表2 各方法預(yù)測(cè)的復(fù)合物的顯著性統(tǒng)計(jì)信息

其中，#PM表示算法識(shí)別的復(fù)合物總數(shù)，#SC表示顯著的復(fù)合物數(shù)量，即P－value＜0.01的復(fù)合物數(shù)量.表2顯示，我們的方法識(shí)別的復(fù)合物具有最高的顯著性復(fù)合物比例和最大的P－score值.我們方法的 P－score值相比 COACH、CMC、ClusterONE 和 MCL，分別提高了25.15%、45.11%、26.09%和77.82%.這說明我們的方法識(shí)別的復(fù)合物具有最強(qiáng)生物統(tǒng)計(jì)意義.

從表2中，我們還可以發(fā)現(xiàn)一個(gè)有趣的事實(shí):CMC方法的Proportion高于COACH和ClusterONE方法，然而，CMC的P－score確低于 COACH和 ClusterONE.原因在于，雖然COACH和ClusterONE識(shí)別的復(fù)合物中顯著性復(fù)合物的比例不如CMC，但是兩種方法得到的顯著性復(fù)合物具有更小的P－value值.

表3 方法識(shí)別的復(fù)合物的實(shí)例

表3是識(shí)別的復(fù)合物實(shí)例.OS表示復(fù)合物匹配率，#SC表示正確匹配的蛋白質(zhì)個(gè)數(shù)，第四列列舉了組成復(fù)合物的所有蛋白質(zhì)，其中，加粗部分表示被匹配的蛋白質(zhì).

3 參數(shù)分析

步驟(2)中，為了對(duì)候選核進(jìn)行篩選，本文引入自定義參數(shù)CT描述子圖的稠密度.圖2顯示了CT取不同值，F(xiàn)－score變化情況.

從圖2可以看出，當(dāng)CT=0.1時(shí)，算法得到最高的FScore值.綜合考慮完全匹配的復(fù)合物數(shù)量和F－Score值，本文設(shè)定 CT=0.05.

圖2 參數(shù)CT的影響

4 結(jié)論

基于蛋白質(zhì)間的相互作用存在不可靠性，本文構(gòu)建一個(gè)非確定蛋白質(zhì)相互作用網(wǎng)絡(luò)，相互作用的可靠性通過概率值表示，從而盡量消除假陽性或者降低假陽性帶來的負(fù)面.提出了一種改良的蛋白質(zhì)復(fù)合物識(shí)別方法.通過準(zhǔn)確率、召回率和P－value幾個(gè)方面對(duì)比分析改良的方法和幾種經(jīng)典的復(fù)合物識(shí)別方法.實(shí)驗(yàn)結(jié)果表明，提出的改良方法具有更高的預(yù)測(cè)準(zhǔn)確率，算法識(shí)別的復(fù)合物具有更強(qiáng)的生物統(tǒng)計(jì)特性.

［1］Ito T，Chiba T，Ozawa R，et al.A comprehensive two－h(huán)ybrid analysis to explore the yeast protein interactome［J］.PNAS，2001，(8):4569－4574.

［2］Rigaut G，Shevchenko A，Rutz B，et al.A generic protein purification method for protein complex characterization and proteome exploration［J］.Nature Biotechnology，1999，(10):1030－1032.

［3］Ho Y，Gruhler A，Heilbut A，et al.Systematic identification of protein complexes in Saccharomyces cerevisiae by mass spectrometry［J］.Nature，2002，(6868):180－183.

［4］Mrowka R，Patzak A，Herzel H.Is there a bias in proteome research?［J］.Genome research，2001，(12):1971－1973.

［5］Mering C V，Krause R，Snel B，et al.Comparative assessment of large－scale data sets of protein－protein interactions［J］.Nature，2002，(6887):399－403.

［6］Tsoka S，Ouzounis C A.Prediction of protein interactions:metabolic enzymes are frequently involved in gene fusion［J］.Nature Genetics，2000，(2):141－142.

［7］Wojcik J，Schchter V.Protein– protein interaction map inference using interacting domain profile pairs［J］.Bioinformatics，2001，(1):296－305.

［8］Yamada T，Kanehisa M，Goto S.Extraction of phylogenetic network modules from the metabolic network［J］.BMC Bioinformatics，2006，(1):130.

［9］Wu J，Kasif S，DeLisi C.Identification of functional links between genes using phylogenetic profiles［J］.Bioinformatics，2003，(12):1524－1530.

［10］Albert I，Albert R.Identification of functional links between genes using phylogenetic profiles［J］.Bioinformatics，2004，(12):3346－3352.

［11］Lo S，Cai C，Chen Y，et al.Effect of training datasets on support vector machine prediction of protein ‐ protein interactions［J］.Proteomics，2005，(4):876－884.

［12］Deane C M，Salwiński L，Xenarios I，et al.:Protein interactions two methods for assessment of the reliability of high throughput observations［J］.Molecular＆ Cellular Proteomics，2002，(5):349－356.

［13］D＇haeseleer P，Church G M.Estimating and improving protein interaction error rates［A］.Proceedings of Computational Systems Bioinformatics Conference［C］.IEEE，2004:216－223.

［14］Gilchrist M A，Salter L A，Wagner A.A statistical framework for combining and interpreting proteomic datasets［J］.Bioinformatics，2004，(5):689－700.

［15］Mering V C，Krause R，Snel B，et al.Comparative assessment of large－scale data sets of protein– protein interactions［J］.Nature，2002，(6887):399－403.

［16］Liu G，Wong L，Chua H N.Complex discovery from weighted PPI networks［J］.Bioinformatics，2009，(15):1891－1897.

［17］Chua H N，Sung W K，Wong L.Exploiting indirect neighbours and topological weight to predict protein function from protein–protein interactions［J］.Bioinformatics，2006，(3):1623－1630.

［18］Enright A J，Dongen S V，Ouzounis C A.An efficient algorithm for large－scale detection of protein families［J］.Nucleic Acids Research，2002，(7):1575－1584.

［19］Wu M，Li X，.Chee－Keong K，et al.A core－attachment based method to detect protein complexes in ppi networks［J］.BMC Bioinformatics，2009，(1):169.

［20］Nepusz T，Yu H，Paccanaro A.Detecting overlapping protein complexes in protein－protein interaction networks［J］.Nature Methods，2012，(5):471－475.

［21］Gavin A，Aloy P，Grandi P，et al.Proteome survey reveals modularity of the yeast cell machinery［J］.Nature，2006，(7084):631－636.

［22］Xenarios I，Salwinski L，Duan X J，et al.DIP，the database of interacting proteins:A research tool for studying cellular networks of protein interactions［J］.Nucleic acids research，2002，(1):303－305.