Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Variable Neighborhood Search Approach for the Capacitated m-Ring-Star Problem Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Identification of Hot Regions in Protein-Protein Interactions Based on Detecting Local Community Structure

verfasst von : Xiaoli Lin, Xiaolong Zhang

Erschienen in: Intelligent Computing Theories and Application

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Hot regions can help proteins to exert their biological function and contribute to understand the molecular mechanism, which is the foundation of drug designs. In this paper, combining protein biological characteristics, a new method is proposed to predict protein hot regions. Firstly, we used support vector machine to predict the hot spots. Then, the local community structure detecting algorithm based on the identification of boundary nodes was proposed to predict the hot regions in protein-protein interactions. The experimental results demonstrate that the proposed method improves significantly the predictive accuracy and performance of protein hot regions.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Prediction of Hot Spots Based on Physicochemical Features and Relative Accessible Surface Area of Amino Acid Sequence
Nächstes Kapitel Power Spectrum-Based Genomic Feature Extraction from High-Throughput ChIP-seq Sequences
Literatur
1.
Hsu, C.M., Chen, C.Y., Liu, B.J.: MAGIIC-PRO: detecting functional signatures by efficient discovery of long patterns in protein sequences. Nucleic Acids Res. 34, W356–W361 (2006)CrossRef
2.
Casari, G., Sander, C., Valencia, A.: A method to predict functional residues in proteins. Nat. Struct. Biol. 2, 171–178 (1995)CrossRef
3.
Armon, A., Graur, D., Ben-Tal, N.: ConSurf: an algorithmic tool for the identification of functional regions in proteins by surface mapping of phylogenetic information. J. Mol. Biol. 307, 447–463 (2001)CrossRef
4.
Hsu, C.M., Chen, C.Y., Liu, B.J., Huang, C.C.: Identification of hot regions in protein-protein interactions by sequential pattern mining. BMC Bioinform. 8(Suppl. 5), S8 (2007)CrossRef
5.
Keskin, O., Ma, B.Y., Mol, R.J.: Hot regions in protein-protein interactions: the organization and contribution of structurally conserved hot spot residues. J. Mol. Biol. 345, 1281–1294 (2005)CrossRef
6.
Thorn, K.S., Bogan, A.A.: ASEdb: a data base of alanine mutations and their effects on the free energy of binding in protein interactions. Bioinformatics 17, 284–285 (2001)CrossRef
7.
Tuncbag, N., Gursoy, A., Keskin, O.: Identification of computational hot spots in protein interfaces: combining solvent accessibility and inter-residue potentials improves the accuracy. Bioinformatics 25, 1513–1520 (2009)CrossRef
8.
Ezkurdia, I., Bartoli, L., Fariselli, P., Casadio, R., Valencia, A., et al.: Progress and challenges in predicting protein-protein interaction sites. Brief Bioinform. 10, 233–246 (2009)CrossRef
9.
Lise, S., Buchan, D., Pontil, M., Jones, D.T.: Predictions of hot spot residues at protein-protein interfaces using support vector machines. PLoS ONE 6, e16774 (2011)CrossRef
10.
Lise, S., Archambeau, C., Pontil, M., Jones, D.T.: Prediction of hot spot residues at protein-protein interfaces by combining machine learning and energy-based methods. BMC Bioinform. 10, 365 (2009)CrossRef
11.
Tuncbag, N., Keskin, O., Gursoy, A.: HotPoint: hot spot prediction server for protein interfaces. Nucleic Acids Res. 38, 402–406 (2010)CrossRef
12.
Engin, C., Gursoy, A., Keskin, O.: Analysis of hot region organization in hub proteins. Ann. Biomed. Eng. 38, 2068–2078 (2010)CrossRef
13.
Carles, P., Fabian, G., Juan, F.: Prediction of protein-binding areas by small world residue networks and application to docking. BMC Bioinform. 12, 378–388 (2011)CrossRef
14.
Nan, D.F., Zhang, X.L.: Prediction of hot regions in protein-protein interactions based on complex network and community detection. In: Bioinformatics and Biomedicine. pp. 17–23 (2013)
15.
Hu, J., Zhang, X.L., Liu, X.M., Tang, J.S.: Prediction of hot regions in protein-protein interaction by combining density-based incremental clustering with feature-based classification. Comput. Biol. Med. 61, 127–137 (2015)CrossRef
16.
Reichmann, D., Rahat, O., Albeck, S., Meged, R., Dym, O., Schreiber, G.: The modular architecture of protein-protein binding interfaces. Proc. Natl. Acad. Sci. 102(1), 57–62 (2005)CrossRef
17.
Ahmad, S., Keskin, O., Sarai, A., Nussinov, R.: Protein–DNA interactions: structural, thermodynamic and clustering patterns of conserved residues in DNA-binding proteins. Nucleic Acids Res. 36, 5922–5932 (2008)CrossRef
18.
Li, B.Q., Feng, K.Y., Li, C., Huang, T.: Prediction of protein-protein interaction sites by random forest algorithm with mRMR and IFS. PLoS ONE 7(8), e43927 (2012)CrossRef
19.
Kyu-il, C., Dongsup, K., Doheon, L.: A feature-based approach to modeling protein-protein interaction hot spots. Nucleic Acids Res. 37(8), 2672–2678 (2009)CrossRef
Metadaten
Titel
Identification of Hot Regions in Protein-Protein Interactions Based on Detecting Local Community Structure
verfasst von
Xiaoli Lin
Xiaolong Zhang
Copyright-Jahr
2016
Buch
Intelligent Computing Theories and Application

Print ISBN: 978-3-319-42290-9

Electronic ISBN: 978-3-319-42291-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-42291-6_43

Premium Partner

    Bildnachweise