根据蛋白质互作网络预测乳腺癌相关蛋白质的细致功能

doi:10.1360/yc-007-1061

遗传 ›› 2007, Vol. 29 ›› Issue (9): 1061-1066.doi: 10.1360/yc-007-1061

根据蛋白质互作网络预测乳腺癌相关蛋白质的细致功能

王靖¹, 李彦辉¹, 郭政^{1, 2} , 朱晶¹, 马文财¹, 彭春方¹, 刘庆¹

1. 哈尔滨医科大学生物信息学系与生物医药省部共建国家重点实验室培育基地, 哈尔滨 150086; 2. 电子科技大学生命科学与技术学院生物信息学中心, 成都610054

收稿日期:2007-01-29 修回日期:2007-06-05 出版日期:2007-09-10 发布日期:2007-09-10

Finding finer functions for proteins related to breast cancer based on protein interaction network

WANG Jing¹, LI Yan-Hui¹, GUO Zheng^1,2, ZHU Jing¹, MA Wen-Cai¹, PENG Chun-Fang¹, LIU Qing¹

1. Department of Bioinformatics, Pharmacology and Bio-pharmaceutical Key Laboratory of Heilongjiang Province and State, Harbin Medi-cal University, Harbin 150086, China;
2. School of Life Science and Bioinformatics Centre, University of Electronic Science and Technology of China, Chengdu 610054, China

Received:2007-01-29 Revised:2007-06-05 Published:2007-09-10 Online:2007-09-10

摘要/Abstract

摘要：

乳腺癌是最为常见的恶性肿瘤之一。已有的关于乳腺癌相关蛋白质的功能注释比较宽泛, 制约了乳腺癌的后续研究工作。对于已知部分功能的乳腺癌相关蛋白质, 提出了一种结合Gene Ontology功能先验知识和蛋白质互作的方法, 通过构建功能特异的局部相互作用网络来预测乳腺癌相关蛋白质的细致功能。结果显示该方法能够以很高的精确率为乳腺癌相关蛋白质预测更为精细的功能。预测的相关蛋白质的功能对于指导实验研究乳腺癌的分子机制具有重要的价值。

关键词: 预测, 互作网络, Gene Ontology, 蛋白质功能, 乳腺癌

Abstract:

Breast cancer is one of the most common malignant tumours. However, the existing functional knowledge about the proteins related to the breast cancer is too general to promote the following study. To find their finer functions, we suggest using the function-specific interaction sub-networks by integrating the functional knowledge of Gene Ontology and the protein-protein interaction network. The results show that the proposed approach is able to reliably find finer functions for these proteins with high precision. The predicted finer functions are highly valuable for guiding the follow-up wet-lab re-search to study the molecular mechanism of breast cancer.

王靖，李彦辉，郭政，朱晶，马文财，彭春方，刘庆. 根据蛋白质互作网络预测乳腺癌相关蛋白质的细致功能[J]. 遗传, 2007, 29(9): 1061-1066.

WANG Jing, LI Yan-Hui, GUO Zheng, ZHU Jing, MA Wen-Cai, PENG Chun-Fang, LIU Qing. Finding finer functions for proteins related to breast cancer based on protein interaction network[J]. HEREDITAS, 2007, 29(9): 1061-1066.

[1]	雷定伟, 顾睿初, 谢晓雪, 丁时之, 温翰. 计算方法在m⁶A研究中的应用及展望[J]. 遗传, 2025, 47(8): 903-927.
[2]	张宏博, 孙凤桂, 孙建伟, 汤琦, 张旭. 乳腺肿瘤干细胞在乳腺癌发生、发展及耐药中的作用[J]. 遗传, 2025, 47(10): 1099-1117.
[3]	杨帆, 韩巧玲, 赵文迪, 赵玥. 基于层级和全局特征结合的蛋白质序列EC编号预测[J]. 遗传, 2024, 46(8): 661-669.
[4]	朱家华, 沈俊男, 伊旭东, 李睿, 喻赫, 丁荣荣, 庞卫军. 杂种优势形成机制和预测方法及其在猪生产中的应用与展望[J]. 遗传, 2024, 46(8): 627-639.
[5]	胡玉龙, 杨芳, 陈彦潼, 谌烁楷, 闫煜博, 张跃博, 吴晓林, 汪加明, 何俊, 高宁. 整合mRNA转录本与基因组信息的基因组选择方法研究[J]. 遗传, 2024, 46(7): 560-569.
[6]	郑慧怡, 吴华煊, 杜志强. 肠道宏基因组图像增强和深度学习改善代谢性疾病分类预测精度[J]. 遗传, 2024, 46(10): 886-896.
[7]	章子怡, 王棨临, 张俊有, 段迎迎, 刘家欣, 刘赵硕, 李春燕. 多组学数据驱动的机器学习模型在乳腺癌生存及治疗响应预测中的应用[J]. 遗传, 2024, 46(10): 820-832.
[8]	万羽鑫, 朱欣雨, 赵宇, 孙娜, 江天彤妃, 徐娟. 计算解析异常代谢对乳腺癌微环境重塑的调控机制[J]. 遗传, 2024, 46(10): 871-885.
[9]	马春辉, 胡海旭, 张丽娟, 刘毅, 刘天懿. 用于循环肿瘤细胞定量分析的CK19数字PCR检测方法的建立及性能验证[J]. 遗传, 2023, 45(3): 250-260.
[10]	常栋, 刘享享, 刘睿, 孙建伟. FSCN1在乳腺癌发生发展中的作用及其调控机制[J]. 遗传, 2023, 45(2): 115-127.
[11]	张强, 顾明亮. 单细胞测序技术及其在乳腺癌研究中的应用[J]. 遗传, 2020, 42(3): 250-268.
[12]	王昕源, 张雨, 杨楠, 程禾, 孙玉洁. DNMT3a通过提升基因内部甲基化介导紫杉醇诱导的LINE-1异常表达[J]. 遗传, 2020, 42(1): 100-111.
[13]	禹奇超,宋彬,邹轩轩,王岭,刘德权,李波,马昆. 乳腺癌癌旁组织特异性表达基因分析[J]. 遗传, 2019, 41(7): 625-633.
[14]	余同露,蔡栋梁,朱根凤,叶晓娟,闵太善,陈红岩,卢大儒,陈浩明. CSN4基因干扰对乳腺癌MDA-MB-231细胞增殖和凋亡的影响[J]. 遗传, 2019, 41(4): 318-326.
[15]	何俊,钱长嵩,RichardG.TaitJr.,StewartBauck,吴晓林. SNP芯片数据估计动物个体基因组品种构成的方法及应用[J]. 遗传, 2018, 40(4): 305-314.

根据蛋白质互作网络预测乳腺癌相关蛋白质的细致功能

Finding finer functions for proteins related to breast cancer based on protein interaction network

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics