Interactome

Den aktuelle version af siden er endnu ikke blevet gennemgået af erfarne bidragydere og kan afvige væsentligt fra den version , der blev gennemgået den 1. juli 2022; checks kræver 3 redigeringer .

Interactom [2] ( eng.  Interactome ) er et molekylærbiologisk udtryk , der betegner et komplet sæt af interaktioner mellem molekyler i en enkelt celle . Interaktomet omfatter både direkte fysiske kontakter mellem proteiner ( protein-protein-interaktioner ) og indirekte interaktioner af gener (såsom epistase ).

Ordet "interagere" blev oprindeligt opfundet i 1999 af en gruppe franske videnskabsmænd ledet af Bernard Jacques [3] . Fra et matematisk synspunkt er interaktomer oftest repræsenteret som grafer .

Interactomics [4] er en  disciplin, der studerer interaktionerne og konsekvenserne af disse interaktioner mellem proteiner og andre molekyler inde i cellen [5] . Formålet med interaktomik er således at sammenligne netværk af interaktioner (dvs. interaktomer) på tværs af arter eller inden for samme art for at finde ud af, hvilke træk ved sådanne netværk er blevet bevaret eller ændret. Interaktomik kan ses som et eksempel på en "top-down" tilgang i systembiologi , som gør det muligt at se på en organisme eller et biosystem som en helhed. Specialister inden for interaktomik har indsamlet store sæt af genom-omfattende og proteomiske data og bestemt korrelationer mellem molekyler. Ud fra denne information formuleres nye hypoteser om disse molekylers reaktioner, som kan testes i nye eksperimenter [6] .

Netværk af molekylære og genetiske interaktioner

Molekylær interaktion kan forekomme mellem molekyler af forskellige grupper af biokemiske stoffer ( proteiner , nukleinsyrer , lipider , kulhydrater ) såvel som inden for samme gruppe. Når sådanne molekyler er fysisk forbundet, danner de netværk af molekylære interaktioner, som normalt klassificeres efter arten af ​​de involverede forbindelser [7] .

Oftest refererer udtrykket "interaktom" til netværk af protein-protein-interaktioner eller deres undergrupper. For eksempel er interaktomet af Sirt-1-proteinet et netværk, der inkluderer Sirt-1 og proteiner, der direkte interagerer med det, og andenordens interaktom af Sirt-familien [8] [9] illustrerer også interaktionerne mellem naboer til naboer . En anden vidt undersøgt type interaktom, DNA-protein-interaktomet (også kaldet det genregulerende netværk), er et netværk dannet af transkriptionsfaktorer , kromatinregulerende proteiner og deres målgener. Selv metaboliske netværk kan opfattes som netværk af molekylære interaktioner: metabolitter , det vil sige de kemiske komponenter i en celle, omdannes til hinanden af ​​enzymer , som fysisk skal binde til deres substrater .

Alle typer interaktomer er indbyrdes forbundne og overlapper hinanden. For eksempel indeholder proteininteraktomer mange enzymer, som igen danner biokemiske netværk. På samme måde krydser genregulerende netværk netværk af proteininteraktioner og med signalnetværk [10] .

Det er blevet foreslået, at størrelsen af ​​en organismes interaktom korrelerer bedre med organismens biologiske kompleksitet end størrelsen af ​​genomet [11] . Kortene over protein-protein-interaktioner, der indeholder flere tusinde binære interaktioner og er tilgængelige for flere arter, genopfyldes dog hvert år og er tilsyneladende ikke fuldstændigt afsluttet, så denne antagelse kan stadig tilbagevises [12] [13] .

Interaktionen af ​​gæren Saccharomyces cerevisiae , som omfatter alle protein-protein-interaktioner , anslås at indeholde mellem 10.000 og 30.000 interaktioner. Det mest plausible skøn synes at være omkring 20.000 interaktioner. Normalt opnås overestimeringer, når man overvejer indirekte eller forudsagte interaktioner, ofte ved hjælp af en kombination af affinitetskromatografi og massespektrometrimetoder [14] .

Gener interagerer på en sådan måde, at de påvirker hinandens funktioner. For eksempel kan en enkelt mutation være harmløs, men dens kombination med en anden mutation kan være dødelig. Sådanne gener siges at "genetisk interagere". Gener forbundet på denne måde danner netværk af genetiske interaktioner. Målene med at studere disse netværk omfatter udvikling af funktionelle kort over cellulære processer, identifikation af lægemiddelmål og forudsigelse af funktionerne af ukarakteriserede gener.

I 2010 var det mest omfattende genetiske interaktionsinteraktom for gær , der eksisterede på det tidspunkt , baseret på 5,4 millioner parvise sammenligninger af gener, beskrev interaktionen af ​​75% af alle gener og omfattede omkring 170.000 interaktioner. Disse gener blev grupperet baseret på funktionslighed for at bygge et funktionelt kort over cellulære processer. Med denne metode er det muligt at forudsige kendte genetiske funktioner bedre end nogen anden genomisk data, samt at tilføje funktionel information om tidligere uannoterede gener. Ved hjælp af denne model kan genetiske interaktioner overvejes på forskellige niveauer, hvilket vil hjælpe i studiet af genbevarelse. I løbet af undersøgelsen blev det bemærket, at der er dobbelt så mange negative interaktioner som positive, og de er mere informative til at forudsige de fysiske interaktioner af proteingenprodukter, såvel som den samme annotation af et par gener i form af genontologi . Desuden er gener med flere interaktioner mere tilbøjelige til at være dødelige, hvis de beskadiges [15] .

Eksperimentelle metoder til at skabe interaktomer

Hovedelementet i proteinnetværket er protein-protein-interaktion . Mens der er mange metoder til at studere protein-protein-interaktioner, bruges normalt kun nogle få af dem til at skabe interaktomer, der er egnede til storskala high-throughput-eksperimenter [16] .

Gær-to-hybridsystemet [17] bruges til at bestemme binære direkte fysiske interaktioner mellem to proteiner. Kort fortalt går metoden ud på at analysere interaktionen af ​​proteiner in vivo i gær ved at binde proteiner A og B af interesse til henholdsvis de adskilte DNA-bindings- og DNA-aktiveringsdomæner af en eller anden transkriptionsaktivator (f.eks . Gal4 ). "Protein A+ DNA-bindende domæne"-konstruktionen kaldes en lokkemad ( eng.  bait ), og "protein B + aktiveringsdomæne"-konstruktionen kaldes et bytte ( eng.  prey ). Hvis protein A og B interagerer, så samles en funktionel transkriptionsaktivator af to fragmenter, som starter transkriptionen af ​​reportergenet (for eksempel producerer et bestemt fluorescerende protein ), ellers transskriberes reportergenet ikke, og signalet observeres ikke [4] [17] .

Fordelene ved metoden er, at den er ret enkel, ikke kræver specielt udstyr, udføres i eukaryote celler in vivo og kan anvendes på hele biblioteker , hvilket gør gær to-hybrid-systemet til en meget brugt tilgang til konstruktion af interaktomer [18] .

Gær-to-hybridsystemet giver dog ofte falsk positive og falsk negative resultater:

En anden almindeligt anvendt metode til at bestemme interaktionen af ​​proteiner er co-immunoprecipitation [19] ( engelsk  co-immunoprecipitation ) efterfulgt af massespektrometri . Co-immunpræcipitation er et særligt tilfælde af affinitetskromatografi . Det giver dig mulighed for at definere proteinkomplekser, hvorfra du kan bygge et interaktom (de såkaldte co-komplekse netværk eller co-komplekse forbindelser ). Metoden består i at udføre følgende uformelle algoritme [20] :

  1. Udfør cellelyse med et ikke-ionisk denatureringsmiddel;
  2. Tilføj specifikke antistoffer til lysatet , der binder til proteiner af interesse for forskere;
  3. Fjern ikke-antistofbundne proteiner;
  4. Analyser remanensen ved massespektrometri. Hvis der er en forbindelse mellem protein A og B, så kommer protein B under massespektrometri, udover protein A forbundet med antistoffet, også ind i prøven forbundet med protein A.

Fordelene ved teknologien er, at de undersøgte proteiner er i deres naturlige konformation under forsøget, og under forsøget bør interaktionen mellem proteinerne ikke forstyrres. Imidlertid kan co-immunpræcipitation muligvis ikke detektere svage interaktioner eller skelne direkte fra indirekte interaktioner (med deltagelse af mediatorproteiner, hvis tilstedeværelse ikke kan udelukkes i denne metode) [21] .

Begge metoder kan bruges i high-throughput eksperimenter. Kombinationen af ​​co-immunudfældning og massespektrometri har ikke de samme falsk positive og falsk negative problemer som gær to-hybrid systemet og bruges som guldstandarden. Generelt er gær-to-hybridsystemet bedre til at vise uspecifikke fysiske interaktioner, mens co-immunudfældning med massespektrometri er bedre til at påvise funktionelle protein-protein-interaktioner in vivo [22] [23] .

Studiet af interaktomer af forskellige typer af levende organismer

Virale interaktomer

Proteinvirale interaktomer indeholder interaktioner mellem proteiner fra vira eller fager . Disse interaktomer var blandt de første, der blev undersøgt, da genomerne af vira og fager er små, og alle proteiner kan analyseres til lave omkostninger. Virale interaktomer er forbundet med interaktomer af deres værter, der danner netværk af virus-vært-interaktioner [24] . Nogle offentliggjorte virale interaktomer omfatter:

Bakteriofager Humane (pattedyr) vira

Bakterielle interaktomer

Kun nogle få bakterier er blevet undersøgt for protein-protein-interaktioner , men ingen af ​​de resulterende bakterielle interaktomer er fuldstændige. Formentlig dækker ingen af ​​dem mere end 20-30% af alle interaktioner, hovedsageligt på grund af det faktum, at de udførte undersøgelser kun omfattede én metode, som tillader kun at detektere en delmængde af alle interaktioner [34] . Blandt de offentliggjorte bakterielle interaktomer er følgende:

Udsigt Antal proteiner Antal interaktioner Metode Kilder
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 over 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]

E. coli og Mycoplasma interaktomerne er blevet analyseret ved storskala affinitetsoprensning og proteinkompleks massespektrometri (benævnt AP/MS i tabellen), derfor er det ikke let at bestemme, hvilke af interaktionerne der faktisk er direkte. De resterende interaktomer blev undersøgt under anvendelse af et to-hybrid gærsystem (Y2H i tabellen). Mycobacterium tuberculosis interactom blev analyseret ved hjælp af en bakteriel analog af gær-to-hybridsystemet (B2H).

Nogle interaktomer er blevet forudsagt ved hjælp af beregningsmetoder.

Eukaryote interaktomer

Indtil videre er intet eukaryotisk interaktom blevet beskrevet fuldstændigt. Den mest karakteriserede er interaktionen mellem gæren Saccharomyces cerevisiae , til konstruktionen af ​​hvilken mere end 90% af proteinerne og deres interaktioner blev undersøgt [46] [47] [48] . Arter, hvis interaktomer er relativt godt forstået, omfatter:

Det humane interaktom indgår ofte i konstruktionen af ​​netværk af virus-vært-interaktioner, såsom hepatitis C /human (2008) [51] , Epstein-Barr virus /human (2008) og influenzavirus /human (2009) interaktomer. Studiet af sådanne interaktomer gør det muligt at påvise de molekylære komponenter, der er nødvendige for implementeringen af ​​patogenet i værtsorganismen og for fremkomsten af ​​et immunrespons [52] .

Forudsagte interaktomer

Som allerede beskrevet kan protein-protein-interaktioner forudsiges. På trods af det faktum, at pålideligheden af ​​sådanne forudsigelser forbliver kontroversiel, kan nogle regelmæssigheder ekstraheres fra de resulterende interaktomer og testes eksperimentelt [53] . Forudsagte interaktomer er blevet opnået for nogle arter, herunder:

Matematiske metoder til at studere interaktomer

Interaktomik som en anvendelse af teorien om komplekse netværk til biologiske problemer

Netværkskomponenten i interaktomik udforsker repræsentationen af ​​et ægte biologisk netværk i form af en graf. Grafen G  er et ordnet par af to sæt  - toppunkter og par af toppunkter. Et par hjørner fra dette sæt kaldes en kant. Flere detaljer om grafer er beskrevet i artiklen Graf (matematik) , for at forstå materialet nedenfor, er mere detaljerede oplysninger ikke påkrævet. Hele arsenalet af teorien om komplekse netværk er fuldt anvendeligt til interaktomgrafen [62] .

I grafteorien er der i øjeblikket en velkendt forvirring i terminologien [63] . Forskellige værker bruger forskellige ord til at henvise til de samme ting. Følgende ordsæt er således synonyme:

  • "graf" og "netværk"
  • 'node', 'vertex' og 'point'
  • "rib" og "link"

Nodegrad [64] ( engelsk  grad ) — antallet af links, der går ind og ud af noden. For rettede grafer er denne karakteristik opdelt i to dele: indegree  og outdegree —  henholdsvis antallet af links, der kommer ind i noden og antallet af links, der forlader noden.

Gradfordelingen [ 64] af grafens hjørnepunkter beskriver antallet af noder (i sammenhæng med et proteininteraktom, proteiner), der har et vist antal links.  

Nogle interaktomer er skalafrie . Det betyder, at graderne af deres hjørner er fordelt efter en magtlov ( engelsk  magtlov ):

,

hvor  er sandsynligheden for at finde en node med grad x ,  er skalafaktoren.

Denne afhængighed vises som en lige linje på log-log- grafen. Når man undersøger virkelige data, vil en ideel linje næsten aldrig blive observeret, og en tilnærmet lige linje på et log-log plot er ikke tilstrækkelig bekræftelse af magtlovens overholdelse, men der er kvantitative test for denne korrespondance [66] .

Den mest populære i øjeblikket blev præsenteret af M. Newmans gruppe i 2009 i artiklen "Power-law distributions in empirical data" [67] . Testen bruger Kolmogorov-Smirnov statistik og fortolkes på samme måde som andre test baseret på KS statistik: p-værdier større end tærsklen er signifikante, ikke omvendt. Der er en implementering af denne magtlovstest i igraph-netværksanalysepakken [68] .

Skalafri netværk genereres af nogle modeller, især Barabashi-Albert-modellen , baseret på princippet om præferencetilknytning , kaldet Matthew-effekten i sociologien  - "de rige bliver rigere, de fattige bliver fattigere", som samt dens modifikation - Bianconi-Barabashi-modellen , hvor der for hvert toppunkt introduceres en tidsbestemt "fitness"-karakteristik, og jo større den er, jo flere nye forbindelser modtager toppunktet under udviklingen af ​​netværket [ 69] .

I den originale Barabashi-Albert-model blev graderne i sig selv brugt som rang af en node til at evaluere tilknytningspræference, men som Jensen og Pralat viste i Rank-based attachment fører til magtlovsgrafer [70] , hvad skal man bruge som rang er absolut ikke vigtigt, hvis der er en tilknytning efter rang, så vil der før eller siden dukke en magtlov op.

På trods af ovenstående vides det endnu ikke, hvor almindelig skalafri egenskab er for interaktomer. Ofte, efter mere grundig statistisk testning, viser interaktomer, der oprindeligt blev anerkendt som skalafri, sig ikke at være det [71] . Spørgsmålet om forekomsten af ​​skalafrihed i interaktomik er i øjeblikket åbent [72] . Situationen kompliceres af, at der faktisk ikke er nogen, der endnu har indsamlet et eneste komplet eksperimentelt interaktom (på tidspunktet 04/01/2017), og hvordan en fejl ved at tage en prøve påvirker estimaterne af gradfordelingen er. også et åbent spørgsmål.

En hub  er en node med et stort antal forbindelser. Hubs, der forener proteiner i henhold til funktionelle moduler, såsom proteinkomplekser, kaldes "party hubs". på den anden side har "date hub" ingen sådan sammenhæng og forbinder forskellige funktionelle moduler. Party hubs findes overvejende i AP/MS datasæt, mens dato hubs primært findes i binære kort over interactome netværk [73] . Partyhubben består hovedsageligt af proteiner med flere interaktionsoverflader, mens datohubben normalt repræsenteres af proteiner med en enkelt interaktionsoverflade [74] . I gær korrelerer antallet af binære interaktioner af et bestemt protein med antallet af fænotyper observeret under forskellige mutationer og fysiologiske forhold [73] .

En vigtig opgave for teorien om komplekse netværk er søgen efter fællesskaber i netværket. Hvis "communities" ( engelsk  community ) i et socialt netværk er samfund af mennesker, så er "communities" i sammenhæng med interaktomer grupper af interagerende proteiner eller et genom, der kan udgøre en metabolisk vej eller et regulatorisk subsystem. Denne applikation er nøglen til interaktomik som en del af prædiktiv medicin [75] , fordi mange sygdomme er forårsaget af betydelige cellulære dysfunktioner, som kan påvises ved at identificere den del af interaktomet, der ikke fungerer.

Der gøres fremskridt i denne retning, og det er værd at bemærke særskilt sådanne værker som DIAMOnD [76]  , en algoritme til bestemmelse af sygdomsmodulet baseret på en systematisk analyse af mønstrene af associationer af proteiner involveret i sygdommen inden for det humane interaktom. Forfatterne, en gruppe ledet af en af ​​"fædrene" til teorien om komplekse netværk , Laszlo Barabasi , analyserede proteindata om 70 sygdomme og fandt ud af, at proteiner involveret i udviklingen af ​​sygdomme faktisk grupperer sig i sygdomsspecifikke dele af interaktomet - sygdomsmoduler .  ) og foreslog en algoritme til at søge efter sådanne moduler .

Forudsigelse af protein-protein-interaktioner

Udover at kompilere interaktomer fra eksperimentelle data, er det også muligt at forudsige bindinger i interaktomer i silico . Forbindelsesforudsigelsesproblemet kan formuleres som et binært klassifikationsproblem [77] . Et forhold i et interaktom kan tilhøre en af ​​to klasser:

  • Eksisterende forbindelse (1)
  • Manglende forbindelse (0)

Derefter er det ved hjælp af information om egenskaberne af hvert af de tilknyttede gener eller proteiner og maskinlæringsmetoder muligt at bestemme for hver forbindelse, hvilken klasse den tilhører. Nogle af de anvendte karakteristika er kolokalisering af kandidatproteiner i cellen, co-ekspression af deres gener, nærhed af gener i genomet osv. [78] [79] En af de succesrige metoder i denne form for algoritmer var en tilfældig skov (Tilfældig skov) [80] . De resulterende relationer kan vægtes ved at tilføje information om sandsynligheden for et sådant forhold, som det for eksempel gøres i PIPs [81] -projektet beskrevet nedenfor , ved hjælp af en naiv Bayes-klassifikator . Maskinlæringsmetoder er blevet brugt til at forudsige interaktioner i det menneskelige interaktom, især i interaktomet af membranproteiner [79] eller proteiner forbundet med skizofreni [78] .

Baseret på eksperimentelle data kan interaktioner i interaktomer også forudsiges ved brug af homologioverførsel. For eksempel, hvis protein-protein-interaktioner er kendt for nogle organismer, kan interaktioner mellem homologe proteiner i en anden organisme antages. Sådanne proteiner kaldes interologer. Denne tilgang har dog visse begrænsninger, hovedsageligt på grund af upålideligheden af ​​de originale data, som kan indeholde falsk positive eller falsk negative resultater [82] . Derudover kan proteiner og interaktioner mellem dem ændre sig i løbet af evolutionen, så nogle kontakter forsvinder eller tværtimod opstår. På trods af dette er mange interaktomer blevet forudsagt ved hjælp af denne tilgang, for eksempel for Bacillus licheniformis [83] .

Nogle algoritmer bruger eksperimentelle data om strukturelle komplekser og atomstrukturen af ​​bindingsoverflader i interagerende proteiner til at skabe detaljerede atommodeller af protein-proteinkomplekser [84] [85] og komplekser af proteiner med andre molekyler [86] .

Et af de i øjeblikket uløste problemer med linkforudsigelse er tilstedeværelsen af ​​støj i de data, som klassificereren er trænet på. De ovenfor beskrevne eksperimentelle metoder introducerer deres egne falske positive og falske negative, hvilket kan tilføje bias til klassifikatoren. Dette kan korrigeres, for eksempel ved at bruge anomali detektion, som foreslået af Singh og Vig i deres arbejde "Improved prediction of missing protein interactome links via anomaly detection" [87] . Men problemet med unøjagtighed af eksperimentelle metoder er stadig tilbage.

Tekstmining

Tekstmining bliver også brugt til at udtrække information om molekylære interaktioner direkte fra den videnskabelige litteratur. Sådanne metoder spænder fra simple algoritmer, der statistisk estimerer sandsynligheden for samtidig forekomst (i dette tilfælde interaktion) af molekyler nævnt i samme tekstmæssige kontekst (for eksempel i samme sætning), til mere komplekse naturlige sprogbehandling og maskinlæringsmetoder til at finde interaktioner [88] .

Forudsigelse af proteinfunktioner

Netværk af proteininteraktioner bruges til at forudsige funktionen af ​​proteiner [46] [89] . Det antages, at ukarakteriserede proteiner har lignende funktioner som de proteiner, der interagerer med dem. For eksempel interagerer YbeB, som blev anset for at være et protein med en ukendt funktion, via interaktomet med ribosomale proteiner og er, som det blev vist senere, involveret i translationsprocessen [90] . Selvom sådanne forudsigelser af funktion kan være baseret på en enkelt interaktion med noget protein, er information normalt tilgængelig om flere kontakter med forskellige proteiner. Således kan hele netværket af interaktioner bruges til at forudsige funktionerne af proteiner [46] .

Analyse af lidelser og sygdomme

Med udgangspunkt i interaktomets topologi kan man lave antagelser om, hvordan netværket af interaktioner vil ændre sig, når en af ​​noderne (proteinerne) eller kanterne (proteininteraktionerne) forstyrres (f.eks. fjernes) [91] . Sådanne lidelser kan være forårsaget af mutationer i de tilsvarende gener, og det resulterende netværk af interaktioner vil afspejle en vis sygdom [92] . Analyse af et sådant netværk kan hjælpe i søgningen efter lægemiddelmål eller sygdomsbiomarkører [ 93] .

Validering af interaktomer

Før du bruger det indsamlede interaktive til analyse, bør du kontrollere det for fejl. Hvis interaktomet opnås eksperimentelt, er eksperimentets fejl nødvendigvis til stede, og hvis det er i silico , så fejlen i forudsigelsesalgoritmen. Fejlen i eksperimentelle metoder med høj gennemstrømning såsom gær to-hybrid-systemet er blevet estimeret [94] til at være et sted mellem 25% og 50%.

Følgende metoder bruges hovedsageligt til kvalitetskontrol [94] :

  1. Brug af tidligere publikationer af interaktomdata som reference;
  2. Sammenligning af links, der har en anden karakter. Hvis proteinerne interagerer (binært, som påvist af gærens to-hybrid-system), så er de sandsynligvis placeret på samme sted i cellen, de tilsvarende gener er co -udtrykt , og i knockout- eksperimenter bør de observerede fænotyper være ens . Følgelig bør observationen af ​​disse hændelser øge estimatet af sandsynligheden for interaktion mellem de undersøgte gener;
  3. Forholdet forudsagt i silico kan testes eksperimentelt.

Grafjusteringsproblem

I interaktomik (ved validering, når det bruges til at søge efter årsager til sygdomme osv.), er der en vigtig opgave med grafjustering .  Essensen af ​​problemet er at kortlægge en graf til en anden på en sådan måde, at graferne er så "ens" som muligt. Vanskeligheder begynder allerede på stadiet med at bestemme graden af ​​"lighed" af to grafer. Da det er muligt at definere, hvad graflighed betyder på forskellige måder, kan der også være flere forskellige definitioner for grafjustering, men de vil i princippet kun adskille sig i forskellige definitioner af lighed, og redegørelsen for grafjusteringsproblemet ser nogenlunde sådan ud. :

Givet to grafer og . Justeringskvalitetsfunktionen er indstillet . Det er nødvendigt at finde alignment-funktionen , som maksimerer kvalitetsfunktionen [95] .

Der er en algoritme, der kan anvendes specifikt til interactionomics-opgaver - NetAligner [96] , men denne webservice understøttes ikke længere af udviklere. NetAligner gav forskere følgende muligheder for Homo sapiens , Mus muscusus , Drosophila melanogaster , Arabidopsis thaliana , Saccharomyces cerevisiae , Escherichia coli og Caenorhabditis elegans- arter :

  • Justering af proteinkomplekset på interaktomet;
  • Justering af den metaboliske vej på interaktomet;
  • Justering af interaktom på interaktom.

Interactome databaser

Der er mange databaser med interaktomdata, og eksisterende databaser kan klassificeres på forskellige måder.

Interactome-databaser kan opdeles [97] :

  1. Sådan får du data:
    1. eksperimentel (litterært-kurateret ( engelsk  litteratur-kurateret ) og højtydende ( engelsk  high-throughput ));
    2. spådom i silico ;
    3. metaaggregering;
  2. Ifølge den eller de typer, der undersøges;
  3. Efter type forbindelse:
    1. direkte binær forbindelse (der er eller ikke er en direkte fysisk interaktion);
    2. ikke-binære bindinger, der er mulige uden direkte fysisk interaktion [98] opnået ved co-komplekse ( engelsk  co-complex ) metoder som co-immunpræcipitation [99] kombineret med massespektrometri ;
    3. forskellige sæt netværk (til metaaggregatorer);
    4. en binær sammenhæng forudsagt i silico.
Grundnavn Kort beskrivelse af basen Slags Netværkstype Organisation Status
Human Reference Protein Interactome Project [100] Human Reference Interactome Project Homo sapiens Binær, opnået ved hjælp af et gær to-hybrid system Center for Kræftsystembiologi [101] Aktive, igangværende eksperimenter for at opnå en ny version af det humane protein interaktom (HI-III), som skulle udgøre cirka 77 % af det samlede søgerum
Molecular Interaction Database (MINT) [102] Aggregator af litteratur-kurateret eksperimentelle data om forskellige organismer Pr. 1. april 2017, 611 arter [102] co-kompleks og binær Molecular Genetics Laboratory, University of Rome, "Tor Vergata" [103] Aktiv
Database over interagerende proteiner [104] Aggregator af litteratur-kurateret eksperimentelle data om forskellige organismer Escherichia coli

Rattus norvegicus

Homo sapiens

Saccharomyces cerevisiae

Mus muskel

Drosophila melanogaster

Helicobacter pylori [97]

Forskellige typer forbindelser (co-kompleks, binær) University of California, Los Angeles Ikke tilgængelig (adgangsdato 04/01/2017)
Biological Interaction Network Databank (Database) [105] Aggregator af litteratur-kurateret eksperimentelle data om forskellige organismer Homo sapiens

Saccharomyces cerevisiae

Mus muskel

Helicobacter pylori

Forskellige typer forbindelser Samuel Lunenfeld Research Institute på Mount Sinai Hospital, Toronto Ikke tilgængelig på grund af finansieringsproblemer [106]
GeneMANIA [107] Service til forudsigelse af genfunktioner i silico baseret på aggregerede data fra andre databaser Pr. 1. april 2017, 9 arter [107] Forskellige typer forbindelser University of Toronto [108] Aktiv
Interaktioner af høj kvalitet (TIP) [109] Kurateret eksperimentel dataaggregator På tidspunktet 04/01/2017 12 arter Forskellige typer forbindelser Yu Lab, Cornell University [110] Aktiv, opdateret hver dag
IntAct Molecular Interaction Database [111] Overvåget eksperimentel dataaggregator (fra 11 databaser over molekylære interaktioner) [112] Fra 1. april 2017, 7 hovedtyper [113] Forskellige typer forbindelser Cambridge [114] Aktiv
Biologisk General Repository for Interaction Dataset (BioGRID) [115] Kurateret aggregator af eksperimentelle og forudsagte i silico -data Listen over arter er angivet ved [116] Forskellige typer forbindelser Princeton, Mount Sinai Hospital, University of Edinburgh, University of Montreal [117] Aktiv
Integreret netværksdatabase (IntNetDB) [118] Netværk forudsagt i silico Homo sapiens binær i silico hanlab.genetics.ac.cn Ikke tilgængelig (adgangsdato 04/01/2017)
Drosophila Interactions Database (DroID) [119] Kurateret aggregator af Drosophila interactome-data, både eksperimentel og forudsagt i silico Drosophila melanogaster Forskellige typer forbindelser (inklusive dem, der er forudsagt i silico ) Wayne State University School of Medicine [120] Aktiv
Arabidopsis-informationsressourcen (TAIR) [121] Database over alle biologiske data om Tals rucifera, inklusive ikke-interaktom (genomsekventeret, genkort osv.) Arabidopsis thaliana Forskellige typer forbindelser (inklusive dem, der er forudsagt i silico ) Phoenix Bioinformatics Corporation [122] Aktiv
Human Protein-Protein Interaction Prediction (PIP'er) [81] Database over humane proteinbindinger forudsagt i silico Homo sapiens Forudsagt i silico med en naiv Bayes-klassificering University of Dundee [123] Aktiv
Predicted Rice Interactome Network (PRIN) [124] Database over in silico forudsagte protein-protein-interaktioner i ris Oryza sativa Forudsagt i silico baseret på interologer Zhejiang Universitet [125] Aktiv

Åbne problemer med interaktomik

Kiemer og Cesareni [5] rejste følgende problem: eksperimentelle metoder til at studere interaktomer er tilbøjelige til fejl, hvilket fører til det faktum, at 30 % af alle fundne interaktioner faktisk er artefakter (to grupper af forskere, der bruger den samme metode på den samme organisme, finder kun 30 % af de samme interaktioner). Metoder kan også være skæve, dvs. den anvendte metode afhænger af, hvilke interaktioner der vil blive fundet. Dette skyldes proteiners individuelle egenskaber, for eksempel er de fleste metoder, der fungerer godt med opløselige proteiner, ikke egnede til at studere membranproteiner . Dette gælder også for to-hybrid gærsystem og affinitetskromatografi / massespektrometri .

De fleste interaktomer er ufuldstændige, med undtagelse af S. cerevisiae . Men en sådan bemærkning er ikke helt korrekt, da intet videnskabeligt område er fuldstændigt nok, før metoderne er forbedret. Interactomics i 2015 er på samme stadie, som genomsekventering var i 1990'erne.

Interaktomer kan variere på tværs af væv, celletyper og udviklingsstadier, så længe genomerne forbliver stabile. Mens homologe DNA-sekvenser kan findes ret let, er homologe interaktioner vanskelige at forudsige, fordi homologerne af to interagerende proteiner ikke er nødvendige for at interagere.

Noter

  1. ↑ William Hennah, David Porteous. DISC1 Pathway modulerer udtryk for neuroudviklingsmæssige, synaptogene og sensoriske perceptionsgener  //  PLOS ONE. — 2009-03-20. — Bd. 4 , iss. 3 . — P.e4906 . — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0004906 . Arkiveret fra originalen den 2. marts 2022.
  2. ↑ Terentiev A. A., Moldogazieva N. T., Shaitan K. V. Dynamic proteomics in living cell modeling. Protein-protein interaktioner  (russisk)  // Fremskridt inden for biologisk kemi. - 2009. - T. 49 . - S. 429-480 . Arkiveret fra originalen den 10. maj 2018.
  3. ↑ Catherine Sanchez, Corinne Lachaize, Florence Janody, Bernard Bellon, Laurence Röder. At gribe fat i molekylære interaktioner og genetiske netværk i Drosophila melanogaster ved hjælp af FlyNets, en internetdatabase  //  Nucleic Acids Research. — 1999-01-01. — Bd. 27 , udg. 1 . — S. 89–94 . — ISSN 0305-1048 . - doi : 10.1093/nar/27.1.89 . Arkiveret fra originalen den 4. juni 2018.
  4. ↑ 1 2 3 4 Ivanov A. S., Zgoda V. G., Archakov A. I. Technologies of protein interactomics  (russisk)  // Bioorganisk kemi: tidsskrift. - 2011. - T. 37 , nr. 1 . - S. 8-21 . Arkiveret fra originalen den 10. maj 2018.
  5. ↑ 1 2 Lars Kiemer, Gianni Cesareni. Sammenlignende interaktioner: sammenligne æbler og pærer?  // Tendenser inden for bioteknologi. - 2007-10. - T. 25 , nej. 10 . — S. 448–454 . — ISSN 0167-7799 . - doi : 10.1016/j.tibtech.2007.08.002 . Arkiveret fra originalen den 3. juni 2018.
  6. ↑ Frank J. Bruggeman, Hans V. Westerhoff. Systembiologiens natur  // Trends in Microbiology. - 2007-01. - T. 15 , nej. 1 . — S. 45–50 . — ISSN 0966-842X . - doi : 10.1016/j.tim.2006.11.003 . Arkiveret fra originalen den 12. juni 2018.
  7. ↑ Marc Vidal, Michael E. Cusick, Albert-László Barabási. Interactome-netværk og menneskelig sygdom  // Cell. – 2011-03. - T. 144 , no. 6 . — S. 986–998 . — ISSN 0092-8674 . - doi : 10.1016/j.cell.2011.02.016 . Arkiveret 13. maj 2018.
  8. ↑ Ankush Sharma, Vasu K. Gautam, Susan Costantini, Antonella Paladino, Giovanni Colonna. Interaktomisk og farmakologisk indsigt om Human Sirt-1  (engelsk)  // Frontiers in Pharmacology. - 2012. - T. 3 . — ISSN 1663-9812 . - doi : 10.3389/fphar.2012.00040 .
  9. ↑ Ankush Sharma, Susan Costantini, Giovanni Colonna. Protein-protein-interaktionsnetværket af den menneskelige Sirtuin-familie  // Biochimica et Biophysica Acta (BBA) - Proteins and Proteomics. — 2013-10. - T. 1834 , Nr. 10 . — S. 1998–2009 . — ISSN 1570-9639 . - doi : 10.1016/j.bbapap.2013.06.012 . Arkiveret fra originalen den 11. juni 2018.
  10. ↑ David F. Klosik, Anne Grimbs, Stefan Bornholdt, Marc-Thorsten Hütt. Det indbyrdes afhængige netværk af genregulering og metabolisme er robust, hvor det skal være  //  Nature Communications. — 2017-09-14. - T. 8 , nej. 1 . — ISSN 2041-1723 . - doi : 10.1038/s41467-017-00587-4 . Arkiveret fra originalen den 24. januar 2022.
  11. ↑ Michael P. H. Stumpf, Thomas Thorne, Eric de Silva, Ronald Stewart, Hyeong Jun An. Estimering af størrelsen af ​​det menneskelige interaktom  // Proceedings of the National Academy of Sciences. - 2008-05-13. - T. 105 , nr. 19 . — S. 6959–6964 . - doi : 10.1073/pnas.0708078105 .
  12. ↑ Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. Et kort i proteomskala over det menneskelige interaktomnetværk  // Cell. — 2014-11. - T. 159 , no. 5 . - S. 1212-1226 . — ISSN 0092-8674 . - doi : 10.1016/j.cell.2014.10.050 . Arkiveret fra originalen den 14. maj 2018.
  13. ↑ Andrew Chatr-aryamontri, Bobby-Joe Breitkreutz, Rose Oughtred, Lorrie Boucher, Sven Heinicke. BioGRID-interaktionsdatabasen: 2015-opdatering  //  Nucleic Acids Research. — 2014-11-26. — Bd. 43 , udg. D1 . — P. D470–D478 . — ISSN 0305-1048 1362-4962, 0305-1048 . - doi : 10.1093/nar/gku1204 . Arkiveret fra originalen den 21. januar 2022.
  14. ↑ 1 2 Peter Uetz, Andrei Grigoriev. The yeast interactome  (engelsk)  // Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics. - 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. The Genetic Landscape of a Cell  (engelsk)  // Videnskab. — 2010-01-22. — Bd. 327 , udg. 5964 . — S. 425–431 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/science.1180823 . Arkiveret fra originalen den 3. august 2017.
  16. ↑ Laurent Terradot, Marie-Francoise Noirot-Gros. Bakterielle proteininteraktionsnetværk: puslespilssten fra løste komplekse strukturer bidrager til et klarere billede  //  Integrativ biologi. - 2011. - Bd. 3 , iss. 6 . — S. 645 . — 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, et kraftfuldt værktøj til systembiologi  //  International Journal of Molecular Sciences. — 2009-06-18. — Bd. 10 , iss. 6 . — S. 2763–2788 . - doi : 10.3390/ijms10062763 . Arkiveret fra originalen den 2. april 2017.
  18. ↑ 1 2 Shayantani Mukherjee, Sampali Bal og Partha Saha. Proteininteraktionskort ved hjælp af gær to-hybrid-assay (engelsk) // Current Science: journal. - 2001. - 10. september ( bind 81 , nr. 5 ). - S. 458-464 . Arkiveret fra originalen den 22. december 2012.
  19. ↑ Choon Lee. Coimmunpræcipitationsassay  // 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 . Arkiveret fra originalen den 3. april 2017.
  20. ↑ Co-immunpræcipitation (Co-IP) . Profacgen . Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  21. ↑ R. Benjamin Free, Lisa A. Hazelwood, David R. Sibley. Identifikation af nye protein-protein-interaktioner ved hjælp af co-immunudfældning og massespektroskopi  //  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. Protein klæbrighed, snarere end antallet af funktionelle protein-protein-interaktioner, forudsiger ekspressionsstøj og plasticitet i gær  // 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. Neuronspecifikke proteininteraktioner af Drosophila CASK-β afsløres ved massespektrometri  // Frontiers in Molecular Neuroscience. - 2014. - T. 7 . - S. 58 . — ISSN 1662-5099 . - doi : 10.3389/fnmol.2014.00058 . Arkiveret fra originalen den 16. december 2014.
  24. ↑ Vincent Navratil, Benoît de Chassey, Laurène Meyniel, Stéphane Delmotte, Christian Gautier. VirHostNet: en vidensbase for styring og analyse af proteom-dækkende virus-vært-interaktionsnetværk  (engelsk)  // Nucleic Acids Research. — 01-01-2009. — Bd. 37 , udg. suppl_1 . — P. D661–D668 . — ISSN 0305-1048 . doi : 10.1093 / nar/gkn794 . Arkiveret fra originalen den 30. maj 2018.
  25. ↑ Seesandra V. Rajagopala, Sherwood Casjens, Peter Uetz. Proteininteraktionskortet for bakteriofag lambda  // 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. Et proteinkoblingskort over Escherichia coli bakteriofag T7  (engelsk)  // Nature Genetics. — 1996-01. - T. 12 , nej. 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. Genomannotation og intraviralt interaktom for Streptococcus pneumoniae Virulent Phage Dp-1  //  Journal of Bacteriology. — 2011-01-15. — Bd. 193 , udg. 2 . — S. 551–562 . — ISSN 1098-5530 0021-9193, 1098-5530 . - doi : 10.1128/JB.01117-10 . Arkiveret fra originalen den 2. juni 2018.
  28. ↑ Roman Häuser, Mourad Sabri, Sylvain Moineau, Peter Uetz. Proteomet og interaktomet af Streptococcus pneumoniae Phage Cp-1  //  Journal of Bacteriology. - 2011-06-15. — Bd. 193 , udg. 12 . — S. 3135–3138 . — ISSN 1098-5530 0021-9193, 1098-5530 . - doi : 10.1128/JB.01481-10 . Arkiveret fra originalen den 2. juni 2018.
  29. ↑ Thorsten Stellberger, Roman Häuser, Armin Baiker, Venkata R. Pothineni, Jürgen Haas. Forbedring af gærens to-hybridsystem med permuterede fusionsproteiner: Varicella Zoster Virus interactom  // 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. Intravirale proteininteraktioner af Chandipura-virus  (engelsk)  // Archives of Virology. — 2012-10-01. — Bd. 157 , udg. 10 . — S. 1949–1957 . — ISSN 1432-8798 0304-8608, 1432-8798 . - doi : 10.1007/s00705-012-1389-5 . Arkiveret fra originalen den 30. maj 2018.
  31. ↑ 1 2 3 4 Even Fossum, Caroline C. Friedel, Seesandra V. Rajagopala, Björn Titz, Armin Baiker. Evolutionært konserverede herpesvirale proteininteraktionsnetværk  //  PLOS-patogener. — 2009-09-04. — Bd. 5 , iss. 9 . — P.e1000570 . — ISSN 1553-7374 . - doi : 10.1371/journal.ppat.1000570 . Arkiveret fra originalen den 15. juni 2022.
  32. ↑ Nicole Hagen, Karen Bayer, Kathrin Rösch, Michael Schindler. Det intravirale proteininteraktionsnetværk af hepatitis C-virus  // Molekylær og cellulær proteomik: MCP. — 2014-7. - T. 13 , nej. 7 . - S. 1676-1689 . — ISSN 1535-9484 . - doi : 10.1074/mcp.M113.036301 . Arkiveret fra originalen den 31. maj 2018.
  33. ↑ Andreas Osterman, Thorsten Stellberger, Anna Gebhardt, Marisa Kurz, Caroline C. Friedel. Hepatitis E-virusets intravirale interaktom  (engelsk)  // Scientific Reports. — 2015-10-14. - T. 5 , nej. 1 . — ISSN 2045-2322 . - doi : 10.1038/srep13872 . Arkiveret 1. maj 2019.
  34. ↑ Yu-Chi Chen, Seesandra Venkatappa Rajagopala, Thorsten Stellberger, Peter Uetz. Udtømmende benchmarking af gær to-hybrid-systemet  //  Nature Methods. — 2010/09. - T. 7 , nej. 9 . — S. 667–668 . — ISSN 1548-7105 . - doi : 10.1038/nmeth0910-667 . Arkiveret 25. maj 2021.
  35. ↑ JC Rain, L. Selig, H. De Reuse, V. Battaglia, C. Reverdy. Protein-protein interaktionskort over Helicobacter pylori  // Nature. - 2001-01-11. - T. 409 , no. 6817 . — S. 211–215 . — ISSN 0028-0836 . - doi : 10.1038/35051615 . Arkiveret fra originalen den 23. juli 2018.
  36. ↑ Roman Häuser, Arnaud Ceol, Seesandra V. Rajagopala, Roberto Mosca, Gabriella Siszler. Et andengenerations protein-protein-interaktionsnetværk af Helicobacter pylori  // Molecular & cellular proteomics: MCP. — 2014-5. - T. 13 , nej. 5 . - S. 1318-1329 . — ISSN 1535-9484 . - doi : 10.1074/mcp.O113.033571 . Arkiveret fra originalen den 31. maj 2018.
  37. ↑ Jodi R. Parrish, Jingkai Yu, Guozhen Liu, Julie A. Hines, Jason E. Chan. Et proteomdækkende proteininteraktionskort for Campylobacter jejuni  // 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. Det binære proteininteraktom af Treponema pallidum – Syfilis-spirokæten  (engelsk)  // PLOS ONE. — 2008-05-28. — Bd. 3 , iss. 5 . —P.e2292 . _ — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0002292 . Arkiveret fra originalen den 17. juni 2022.
  39. ↑ Pingzhao Hu, Sarath Chandra Janga, Mohan Babu, J. Javier Díaz-Mejía, Gareth Butland. Globalt funktionelt atlas over Escherichia coli, der omfatter tidligere ukarakteriserede proteiner  //  PLOS-biologi. — 2009-04-28. — Bd. 7 , iss. 4 . — P.e1000096 . — ISSN 1545-7885 . - doi : 10.1371/journal.pbio.1000096 . Arkiveret fra originalen den 23. april 2022.
  40. ↑ Seesandra V Rajagopala, Patricia Sikorski, Ashwani Kumar, Roberto Mosca, James Vlasblom. Det binære protein-protein interaktionslandskab af Escherichia coli  // Nature Biotechnology. — 2014-02-23. - T. 32 , no. 3 . — S. 285–290 . - ISSN 1546-1696 1087-0156, 1546-1696 . - doi : 10.1038/nbt.2831 . Arkiveret fra originalen den 24. februar 2021.
  41. ↑ Yoshikazu Shimoda, Sayaka Shinpo, Mitsuyo Kohara, Yasukazu Nakamura, Satoshi Tabata. En storskalaanalyse af protein-protein-interaktioner i den nitrogenfikserende bakterie Mesorhizobium loti  //  DNA-forskning. - 2008-02-01. — Bd. 15 , iss. 1 . — S. 13–23 . - ISSN 1340-2838 . - doi : 10.1093/dnares/dsm028 . Arkiveret fra originalen den 30. maj 2018.
  42. ↑ Yi Wang, Tao Cui, Cong Zhang, Min Yang, Yuanxia Huang. Globalt protein-protein interaktionsnetværk i det humane patogen Mycobacterium tuberculosis H37Rv  // Journal of Proteome Research. - 2010-12-03. - T. 9 , nej. 12 . — S. 6665–6677 . — ISSN 1535-3907 . - doi : 10.1021/pr100808n . Arkiveret fra originalen den 23. juli 2018.
  43. ↑ Sebastian Kühner, Vera van Noort, Matthew J. Betts, Alejandra Leo-Macias, Claire Batisse. Proteomorganisation i en genomreduceret bakterie  // Science (New York, NY). — 2009-11-27. - T. 326 , no. 5957 . - S. 1235-1240 . — ISSN 1095-9203 . - doi : 10.1126/science.1176343 . Arkiveret fra originalen den 31. maj 2018.
  44. ↑ Shusei Sato, Yoshikazu Shimoda, Akiko Muraki, Mitsuyo Kohara, Yasukazu Nakamura. En storstilet protein-protein-interaktionsanalyse i Synechocystis sp. PCC6803  (engelsk)  // DNA Research. - 2007-01-01. — Bd. 14 , udg. 5 . — S. 207–216 . - ISSN 1340-2838 . - doi : 10.1093/dnares/dsm021 . Arkiveret fra originalen den 30. maj 2018.
  45. ↑ Artem Cherkasov, Michael Hsing, Roya Zoraghi, Leonard J. Foster, Raymond H. See. Kortlægning af proteininteraktionsnetværket i Methicillin-Resistant Staphylococcus aureus (EN) // Journal of Proteome Research. - 04-03-2011. - T. 10 , nej. 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. Et netværk af protein-protein-interaktioner i gær  // Nature Biotechnology. - 2000-12. - T. 18 , no. 12 . - S. 1257-1261 . — ISSN 1087-0156 . - doi : 10.1038/82360 . Arkiveret fra originalen den 23. juli 2018.
  47. ↑ Peter Uetz, Loic Giot, Gerard Cagney, Traci A. Mansfield, Richard S. Judson. En omfattende analyse af protein-protein-interaktioner i Saccharomyces cerevisiae  (engelsk)  // Nature. - 2000-02. - T. 403 , nr. 6770 . — S. 623–627 . — ISSN 1476-4687 0028-0836, 1476-4687 . - doi : 10.1038/35001009 . Arkiveret fra originalen den 25. februar 2021.
  48. ↑ Nevan J. Krogan, Gerard Cagney, Haiyuan Yu, Gouqing Zhong, Xinghua Guo. Globalt landskab af proteinkomplekser i gæren Saccharomyces cerevisiae  (engelsk)  // Nature. - 2006-03. - T. 440 , no. 7084 . — S. 637–643 . — ISSN 1476-4687 0028-0836, 1476-4687 . - doi : 10.1038/nature04670 . Arkiveret fra originalen den 9. december 2019.
  49. ↑ Vera Pancaldi, Ömer S. Saraç, Charalampos Rallis, Janel R. McLean, Martin Převorovský. Forudsigelse af Fission Yeast Protein Interaction Network  //  G3: gener, genomer, genetik. — 2012-04-01. — Bd. 2 , iss. 4 . — S. 453–467 . — ISSN 2160-1836 . - doi : 10.1534/g3.111.001560 . Arkiveret fra originalen den 30. maj 2018.
  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. Et proteomomfattende fissionsgærinteraktom afslører netværksudviklingsprincipper fra gær til menneske.  (engelsk)  // Cell. - 2016. - Bd. 164, nr. 1-2 . - S. 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-virusinfektion proteinnetværk  // Molecular Systems Biology. - 2008. - T. 4 . - S. 230 . — ISSN 1744-4292 . - doi : 10.1038/msb.2008.66 . Arkiveret fra originalen den 7. april 2018.
  52. ↑ V. Navratil, B. de Chassey, L. Meyniel, F. Pradezynski, P. André. System-niveau sammenligning af protein-protein interaktioner mellem vira og det humane type I interferon system netværk  // Journal of Proteome Research. - 2010-07-02. - T. 9 , nej. 7 . — S. 3527–3536 . — ISSN 1535-3907 . - doi : 10.1021/pr100326j . Arkiveret fra originalen den 23. juli 2018.
  53. ↑ Mohamed Ali Ghadie, Luke Lambourne, Marc Vidal, Yu Xia. Domænebaseret forudsigelse af det humane isoform-interaktom giver indsigt i den funktionelle virkning af alternativ splejsning  //  PLOS Computational Biology. — 2017-08-28. — Bd. 13 , udg. 8 . — P. e1005717 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.1005717 . Arkiveret fra originalen den 16. juni 2022.
  54. ↑ Kevin R. Brown, Igor Jurisica. Online forudsagt menneskelig interaktionsdatabase  // Bioinformatik (Oxford, England). - 2005-05-01. - T. 21 , nej. 9 . — S. 2076–2082 . — ISSN 1367-4803 . - doi : 10.1093/bioinformatics/bti273 . Arkiveret fra originalen den 7. april 2018.
  55. ↑ Haibin Gu, Pengcheng Zhu, Yinming Jiao, Yijun Meng, Ming Chen. PRIN: et forudsagt ris-interaktom-netværk  // BMC bioinformatik. - 2011-05-16. - T. 12 . - S. 161 . — ISSN 1471-2105 . - doi : 10.1186/1471-2105-12-161 . Arkiveret fra originalen den 23. juli 2018.
  56. ↑ Jing Guo, Huan Li, Ji-Wei Chang, Yang Lei, Sen Li. Forudsigelse og karakterisering af protein-protein-interaktionsnetværk i Xanthomonas oryzae pv. oryzae PXO99 A  // Forskning i mikrobiologi. - december 2013. - T. 164 , Nr. 10 . — S. 1035–1044 . — ISSN 1769-7123 . - doi : 10.1016/j.resmic.2013.09.001 . Arkiveret fra originalen den 23. juli 2018.
  57. ↑ Jane Geisler-Lee, Nicholas O'Toole, Ron Ammar, Nicholas J. Provart, A. Harvey Millar. Et forudsagt interaktom for Arabidopsis  // Plantefysiologi. - oktober 2007. - T. 145 , Nr. 2 . — S. 317–329 . — ISSN 0032-0889 . - doi : 10.1104/pp.107.103465 . Arkiveret fra originalen den 23. juli 2018.
  58. ↑ Junyang Yue, Wei Xu, Rongjun Ban, Shengxiong Huang, Min Miao. PTIR: Predicted Tomato Interactome Resource  // Videnskabelige rapporter. - 04 28, 2016. - T. 6 . - S. 25047 . — ISSN 2045-2322 . - doi : 10.1038/srep25047 . Arkiveret fra originalen den 7. april 2018.
  59. ↑ Jianhua Yang, Kim Osman, Mudassar Iqbal, Dov J. Stekel, Zewei Luo. Udledning af Brassica rapa-interaktomet ved hjælp af protein-protein-interaktionsdata fra Arabidopsis thaliana  // Frontiers in Plant Science. - 2012. - T. 3 . - S. 297 . — ISSN 1664-462X . - doi : 10.3389/fpls.2012.00297 . Arkiveret fra originalen den 7. april 2018.
  60. ↑ Guanghui Zhu, Aibo Wu, Xin-Jian Xu, Pei-Pei Xiao, Le Lu. PPIM: En Protein-Protein Interaction Database for Majs  // Plantefysiologi. - februar 2016. - T. 170 , Nr. 2 . — S. 618–626 . — ISSN 1532-2548 . - doi : 10.1104/pp.15.01821 . Arkiveret fra originalen den 7. april 2018.
  61. ↑ Eli Rodgers-Melnick, Mark Culp, Stephen P. DiFazio. Forudsigelse af helgenomproteininteraktionsnetværk fra primære sekvensdata i model- og ikke-modelorganismer ved hjælp af ENTS  // BMC-genomik. — 2013-09-10. - T. 14 . - S. 608 . — ISSN 1471-2164 . - doi : 10.1186/1471-2164-14-608 . Arkiveret fra originalen den 23. juli 2018.
  62. ↑ Tero Aittokallio, Benno Schwikowski. Grafbaserede metoder til analyse af netværk i cellebiologi  (engelsk)  // Briefings in Bioinformatics. - 2006-09-01. — Bd. 7 , iss. 3 . — S. 243–255 . — ISSN 1467-5463 . - doi : 10.1093/bib/bbl022 . Arkiveret 13. maj 2018.
  63. ↑ Ordliste over grafteori  // Wikipedia. — 2017-02-10.
  64. ↑ 1 2 Jackson MO Sociale og økonomiske netværk. — Princeton university press, 2010. — 520 s. — ISBN 9780691148205 .
  65. ↑ Thomas Rolland, Murat Taşan, Benoit Charloteaux, Samuel J. Pevzner, Quan Zhong. Et kort i proteomskala over det menneskelige interaktomnetværk  // Celle. — 2014-11-20. - T. 159 , no. 5 . - S. 1212-1226 . — ISSN 1097-4172 . - doi : 10.1016/j.cell.2014.10.050 . Arkiveret fra originalen den 13. juni 2017.
  66. ↑ ML Goldstein, SA Morris, GG Yen. Problemer med tilpasning til magt-lovfordelingen  (engelsk)  // The European Physical Journal B - Condensed Matter and Complex Systems. - 01-09-2004. — Bd. 41 , udg. 2 . — S. 255–258 . - ISSN 1434-6036 1434-6028, 1434-6036 . - doi : 10.1140/epjb/e2004-00316-5 . Arkiveret 13. maj 2018.
  67. ↑ A. Clauset, C. Shalizi, M. Newman. Magt-lovfordelinger i empiriske data  // SIAM Review. — 2009-11-04. - T. 51 , no. 4 . — S. 661–703 . — ISSN 0036-1445 . - doi : 10.1137/070710111 . Arkiveret 19. oktober 2019.
  68. ↑ Velkommen til igraphs nye  hjem . igraph - Netværksanalysepakken . igraph.org. Hentet 31. marts 2017. Arkiveret fra originalen 17. marts 2017.
  69. ↑ Barabasi, Albert-Lászlo. Forbundet: den nye videnskab om netværk . - Cambridge, Mass.: Perseus Pub, 2002. - 280 sider s. - ISBN 0738206679 , 9780738206677.
  70. ↑ J. Janssen, P. Pralat. Rang-baseret tilknytning fører til magtlovsgrafer  // SIAM Journal om diskret matematik. - 01-01-2010. - T. 24 , nej. 2 . — S. 420–440 . — ISSN 0895-4801 . - doi : 10.1137/080716967 . Arkiveret fra originalen den 28. januar 2022.
  71. ↑ Reiko Tanaka, Tau-Mu Yi, John Doyle. Nogle proteininteraktionsdata viser ikke magtlovsstatistikker  //  FEBS Letters. - 2005-09-26. — Bd. 579 , udg. 23 . - P. 5140-5144 . — ISSN 1873-3468 . - doi : 10.1016/j.febslet.2005.08.024 . Arkiveret fra originalen den 2. april 2017.
  72. ↑ Gipsi Lima-Mendez, Jacques van Helden. Den magtfulde lov om magtloven og andre myter i netværksbiologi  (engelsk)  // Molecular BioSystems. — 01-01-2009. — Bd. 5 , iss. 12 . - doi : 10.1039/B908681A . Arkiveret fra originalen den 2. april 2017.
  73. ↑ 1 2 Haiyuan Yu, Pascal Braun, Muhammed A. Yıldırım, Irma Lemmens, Kavitha Venkatesan. Binært proteininteraktionskort af høj kvalitet over Yeast Interactome Network   // Videnskab . — 2008-10-03. — Bd. 322 , udg. 5898 . — S. 104–110 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/science.1158684 . Arkiveret fra originalen den 30. maj 2018.
  74. ↑ Philip M. Kim, Long J. Lu, Yu Xia, Mark B. Gerstein. At relatere tredimensionelle strukturer til proteinnetværk giver evolutionær indsigt   // Videnskab . — 2006-12-22. — Bd. 314 , udg. 5807 . — S. 1938–1941 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/science.1136174 . Arkiveret fra originalen den 30. maj 2018.
  75. ↑ Prædiktiv medicin - Seneste forskning og nyheder | Nature  (engelsk) . www.nature.com. Hentet 1. april 2017. Arkiveret fra originalen 6. maj 2017.
  76. ↑ Susan Dina Ghiassian, Jörg Menche, Albert-László Barabási. En sygdomsmoduldetektionsalgoritme (DIAMOnD) afledt af en systematisk analyse af forbindelsesmønstre for sygdomsproteiner i det menneskelige interaktom  // PLOS Computational Biology. — 2015-04-08. - T. 11 , nej. 4 . — S. e1004120 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.1004120 . Arkiveret fra originalen den 14. juni 2022.
  77. ↑ Klassifikation . MachineLearning.ru . www.machinelearning.ru Hentet 1. april 2017. Arkiveret fra originalen 29. april 2017.
  78. ↑ 1 2 Madhavi K. Ganapathiraju, Mohamed Thahir, Adam Handen, Saumendra N. Sarkar, Robert A. Sweet. Skizofreni-interaktom med 504 nye protein-protein-interaktioner  // NPJ skizofreni. - 2016. - T. 2 . - S. 16012 . — ISSN 2334-265X . - doi : 10.1038/npjschz.2016.12 . Arkiveret fra originalen den 23. juli 2018.
  79. ↑ 1 2 Yanjun Qi, Harpreet K. Dhiman, Neil Bhola, Ivan Budyak, Siddhartha Kar. Systematisk forudsigelse af humane membranreceptorinteraktioner  // Proteomics. - December 2009. - T. 9 , Nr. 23 . — S. 5243–5255 . — ISSN 1615-9861 . - doi : 10.1002/pmic.200900259 . Arkiveret fra originalen den 23. juli 2018.
  80. ↑ Yanjun Qi, Ziv Bar-Joseph, Judith Klein-Seetharaman. Evaluering af forskellige biologiske data og beregningsmetoder til brug i proteininteraktionsforudsigelse  // Proteiner. - 2006-05-15. - T. 63 , no. 3 . — S. 490–500 . — ISSN 1097-0134 . - doi : 10.1002/prot.20865 . Arkiveret fra originalen den 23. juli 2018.
  81. ↑ 12 University of Dundee. PIP'er: Human Protein-Protein Interaction Prediction . www.compbio.dundee.ac.uk. Hentet 1. april 2017. Arkiveret fra originalen 15. juni 2017.
  82. ↑ Sven Mika, Burkhard Rost. Protein-protein-interaktioner mere bevaret inden for arter end på tværs af arter  // PLoS-beregningsbiologi. — 2006-07-21. - T. 2 , nej. 7 . - S. e79 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.0020079 . Arkiveret fra originalen den 8. april 2018.
  83. ↑ Yi-Chao Han, Jia-Ming Song, Long Wang, Cheng-Cheng Shu, Jing Guo. Forudsigelse og karakterisering af protein-protein-interaktionsnetværk i Bacillus licheniformis WX-02  (engelsk)  // Scientific Reports. — 2016-01-19. - T. 6 , nej. 1 . — ISSN 2045-2322 . - doi : 10.1038/srep19486 . Arkiveret fra originalen den 19. februar 2017.
  84. ↑ Weerayuth Kittichotirat, Michal Guerquin, Roger E. Bumgarner, Ram Samudrala. Protinfo PPC: en webserver til forudsigelse af atomniveau af proteinkomplekser  // Nucleic Acids Research. - juli 2009. - T. 37 , no. Webserver problem . — S. W519–525 . — ISSN 1362-4962 . - doi : 10.1093/nar/gkp306 . Arkiveret fra originalen den 8. april 2018.
  85. ↑ Manoj Tyagi, Kosuke Hashimoto, Benjamin A. Shoemaker, Stefan Wuchty, Anna R. Panchenko. Storstilet kortlægning af humant proteininteraktom ved hjælp af strukturelle komplekser  // EMBO-rapporter. - 01-03-2012. - T. 13 , nej. 3 . — S. 266–271 . — ISSN 1469-3178 . - doi : 10.1038/embor.2011.261 . Arkiveret fra originalen den 8. april 2018.
  86. ↑ Thomas A. Hopf, Charlotta PI Schärfe, João PGLM Rodrigues, Anna G. Green, Oliver Kohlbacher. Sekvens co-evolution giver 3D-kontakter og strukturer af proteinkomplekser  // eLife. — 2014-09-25. - T. 3 . — ISSN 2050-084X . - doi : 10.7554/eLife.03430 . Arkiveret fra originalen den 8. april 2018.
  87. ↑ Kushal Veer Singh, Lovekesh Vig. Forbedret forudsigelse af manglende proteininteraktomlinks via anomalidetektion  //  Applied Network Science. — 2017-01-28. - T. 2 , nej. 1 . - S. 2 . — ISSN 2364-8228 . - doi : 10.1007/s41109-017-0022-7 . Arkiveret fra originalen den 2. april 2017.
  88. ↑ Robert Hoffmann, Martin Krallinger, Eduardo Andres, Javier Tamames, Christian Blaschke. Tekstmining for metaboliske veje, signalkaskader og proteinnetværk  // Videnskabens STKE: vidensmiljø for signaltransduktion. — 2005-05-10. - T. 2005 , nej. 283 . - S. pe21 . — ISSN 1525-8882 . - doi : 10.1126/stke.2832005pe21 . Arkiveret fra originalen den 8. april 2018.
  89. ↑ Jason McDermott, Roger Bumgarner, Ram Samudrala. Funktionel annotation fra forudsagte proteininteraktionsnetværk  (engelsk)  // Bioinformatik. - 2005-08-01. — Bd. 21 , udg. 15 . — S. 3217–3226 . — ISSN 1367-4803 . - doi : 10.1093/bioinformatics/bti514 . Arkiveret fra originalen den 30. maj 2018.
  90. ↑ Seesandra V. Rajagopala, Patricia Sikorski, J. Harry Caufield, Andrey Tovchigrechko, Peter Uetz. Undersøgelse af proteinkomplekser ved hjælp af gær-to-hybridsystemet  // Metoder (San Diego, Californien). - december 2012. - T. 58 , Nr. 4 . — S. 392–399 . — ISSN 1095-9130 . - doi : 10.1016/j.ymeth.2012.07.015 . Arkiveret fra originalen den 23. juli 2018.
  91. ↑ Albert-László Barabási, Zoltán N. Oltvai. Netværksbiologi: forståelse af cellens funktionelle organisation  // Nature Reviews. genetik. - februar 2004. - V. 5 , no. 2 . — S. 101–113 . — ISSN 1471-0056 . doi : 10.1038 / nrg1272 . Arkiveret fra originalen den 25. januar 2018.
  92. ↑ Kwang-Il Goh, In-Geol Choi. Udforskning af den menneskelige sygdom: det menneskelige sygdomsnetværk  // Briefings in Functional Genomics. - november 2012. - T. 11 , no. 6 . — S. 533–542 . — ISSN 2041-2657 . doi : 10.1093 / bfgp/els032 . Arkiveret fra originalen den 8. april 2018.
  93. ↑ Albert-László Barabási, Natali Gulbahce, Joseph Loscalzo. Netværksmedicin: en netværksbaseret tilgang til menneskelig sygdom  // Nature Reviews. genetik. - Januar 2011. - T. 12 , Nr. 1 . — s. 56–68 . — ISSN 1471-0064 . - doi : 10.1038/nrg2918 . Arkiveret fra originalen den 8. april 2018.
  94. ↑ 1 2 Jeffrey Perkel. Validering af Interactome | The Scientist Magazine® . Videnskabsmanden (21. juni 2004). Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  95. ↑ Christoph Doepmann. Undersøgelse om grafjusteringsproblemet og et benchmark af egnede algoritmer. Expose til bacheloropgave. / Ulf Leser, Andre Koschmieder. — Humboldt-Universitaet zu Berlin, Institut fuer Informatik, 2013. Arkiveret 2. april 2017 på Wayback Machine
  96. ↑ Roland A. Pache, Arnaud Ceol, Patrick Aloy. NetAligner - en netværksjusteringsserver til at sammenligne komplekser, pathways og hele interaktomer  (engelsk)  // Nucleic Acids Research. — 2012-07-01. — Bd. 40 , iss. W1 . — P. W157–W161 . — ISSN 0305-1048 . - doi : 10.1093/nar/gks446 . Arkiveret fra originalen den 30. maj 2018.
  97. ↑ 1 2 Cannataro, Mario, 1964-. Datastyring af proteininteraktionsnetværk . - Hoboken, NJ: Wiley, 2011. - 1 online ressource (xxxiv, 182 sider) s. - ISBN 9781118103746 , 1118103742, 1118103718, 9781118103715.
  98. ↑ Laura Bonetta. Protein-protein interaktioner: Interaktom under opbygning   // Natur . - 2010-12-09. — Bd. 468 , udg. 7325 . - S. 851-854 . — ISSN 0028-0836 . - doi : 10.1038/468851a . Arkiveret fra originalen den 2. april 2017.
  99. ↑ Co-immunpræcipitation (Co-IP  ) . www.thermofisher.com Hentet 1. april 2017. Arkiveret fra originalen 25. juli 2017.
  100. ↑ HuRI | Hjem  (engelsk) . Human Reference Protein Interactome Project . interactome.baderlab.org. Hentet 31. marts 2017. Arkiveret fra originalen 1. april 2017.
  101. ↑ CCSB  . _ Center for Cancer Systems Biology (CCSB) . ccsb.dfci.harvard.edu. Hentet 31. marts 2017. Arkiveret fra originalen 1. april 2017.
  102. ↑ 12 MINT . _ MINT - The Molecular Interaction Database . mint.bio.uniroma2.it. Hentet 1. april 2017. Arkiveret fra originalen 5. maj 2017.
  103. ↑ molekylær genetik gruppe  . www.moleculargenetics.it. Hentet 1. april 2017. Arkiveret fra originalen 17. februar 2017.
  104. ↑ Database over interagerende proteiner . DIP-databasen . Hentet 1. april 2017. Arkiveret fra originalen 14. marts 2009.
  105. ↑ GD Bader, I. Donaldson, C. Wolting, BF Ouellette, T. Pawson. BIND--The Biomolecular Interaction Network Database  // Nucleic Acids Research. - 2001-01-01. - T. 29 , nej. 1 . — S. 242–245 . — ISSN 1362-4962 . Arkiveret fra originalen den 31. maj 2018.
  106. ↑ Databaser i fare  //  Nature Cell Biology. - 2005-07-01. — Bd. 7 , iss. 7 . — S. 639–639 . — ISSN 1465-7392 . - doi : 10.1038/ncb0705-639b . Arkiveret fra originalen den 1. april 2017.
  107. ↑ 12 GeneMANIA . _ genemania.org. Hentet 1. april 2017. Arkiveret fra originalen 20. april 2017.
  108. ↑ University of Toronto  . www.utoronto.ca. Hentet 1. april 2017. Arkiveret fra originalen 24. februar 2011.
  109. ↑ INTEractomes af høj kvalitet . hint.yulab.org. Hentet 1. april 2017. Arkiveret fra originalen 1. april 2017.
  110. ↑ Yu Lab - Cornell University . yulab.icmb.cornell.edu. Hentet 1. april 2017. Arkiveret fra originalen 1. april 2017.
  111. ↑ Intakt. http://www.ebi.ac.uk/intact/  _ _ www.ebi.ac.uk. Hentet 1. april 2017. Arkiveret fra originalen 8. april 2017.
  112. ↑ Sandra Orchard, Mais Ammari, Bruno Aranda, Lionel Breuza, Leonardo Briganti. MINtAct-projektet - IntAct som en fælles kurationsplatform for 11 molekylære interaktionsdatabaser  // Nucleic Acids Research. — 2014-1. - T. 42 , no. Database problem . — S. D358–363 . — ISSN 1362-4962 . - doi : 10.1093/nar/gkt1115 . Arkiveret fra originalen den 31. maj 2018.
  113. ↑ Intakt. http://www.ebi.ac.uk/intact/about/statistics?conversationContext=8#it  . _ www.ebi.ac.uk. Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  114. ↑ Intakt. http://www.ebi.ac.uk/intact/about/overview;jsessionid=F9BA9ECD507219503D95BBB7E3B21128  (engelsk) . www.ebi.ac.uk. Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  115. ↑ Mike Tyers Lab. BioGRID |  Database over protein, kemiske og genetiske interaktioner . thebiogrid.org. Hentet 1. april 2017. Arkiveret fra originalen 11. september 2017.
  116. ↑ BioGRID-databasestatistik | BioGRID  . _ wiki.thebiogrid.org. Hentet 1. april 2017. Arkiveret fra originalen 23. februar 2017.
  117. ↑ Om BioGRID | BioGRID  . _ wiki.thebiogrid.org. Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  118. ↑ Kai Xia, Dong Dong, Jing-Dong J. Han. IntNetDB v1.0: en integreret protein-protein-interaktionsnetværksdatabase genereret af en probabilistisk model  // BMC Bioinformatics. - 2006-01-01. - T. 7 . - S. 508 . — ISSN 1471-2105 . - doi : 10.1186/1471-2105-7-508 .
  119. ↑ Velkommen til DroID: The Comprehensive Drosophila Interactions Database . www.droidb.org. Hentet 1. april 2017. Arkiveret fra originalen 9. april 2017.
  120. ↑ Drosophila Interactions database . www.droidb.org. Hentet 1. april 2017. Arkiveret fra originalen 12. april 2017.
  121. ↑ TAIR -  Hjemmeside . Arabidopsis informationsressource . www.arabidopsis.org. Hentet 1. april 2017. Arkiveret fra originalen 19. april 2017.
  122. ↑ Phoenix  Home . Phoenix Bioinformatik . www.phoenixbioinformatics.org. Hentet 1. april 2017. Arkiveret fra originalen 2. april 2017.
  123. ↑ University of Dundee. University of Dundee  . University of Dundee. Hentet 1. april 2017. Arkiveret fra originalen 1. april 2017.
  124. ↑ Velkommen til PRIN - Predicted Rice Interactome Network . Oryza sativa protein-protein interaktionsnetværk . bis.zju.edu.cn. Hentet 1. april 2017. Arkiveret fra originalen 11. januar 2017.
  125. ↑ Kontakt os . Oryza sativa protein-protein interaktionsnetværk . bis.zju.edu.cn. Hentet 1. april 2017. Arkiveret fra originalen 17. marts 2018.