Resumen

Determinar la interacción proteína-proteína (IPP) en los sistemas biológicos reviste una importancia considerable, y la predicción de la IPP se ha convertido en un área de investigación muy popular. Aunque se han desarrollado diferentes clasificadores para la predicción de PPI, ninguno de ellos parece ser capaz de predecir PPI con un alto nivel de confianza. Hemos postulado que combinando clasificadores individuales se podría mejorar la precisión de la predicción de PPI. Desarrollamos un método llamado fusión de clasificadores de predicción de interacción proteína-proteína (PPCM), y este método combina los resultados de dos herramientas de predicción de PPI, GO2PPI y Phyloprof, utilizando el algoritmo Random Forests. El rendimiento de PPCM se comprobó mediante el área bajo la curva (AUC) utilizando una base de datos Gold Standard ensamblada que contiene pares PPI positivos y negativos. Nuestra prueba AUC mostró que PPCM mejoró significativamente la precisión de la predicción PPI sobre los clasificadores individuales correspondientes. Encontramos que los clasificadores adicionales incorporados a PPCM podrían conducir a una mejora adicional en la precisión de la predicción PPI. Además, el PPCM de especies cruzadas podría lograr una precisión de predicción competitiva e incluso mejor en comparación con el PPCM de una sola especie. En este estudio se ha establecido un sistema robusto para la predicción de IPP mediante la integración de múltiples clasificadores utilizando el algoritmo Random Forests. Esta tubería será útil para predecir PPI en especies no modelo.

• Materias:Ácido ribonucleico (ARN) Genética vegetal Genómica Proteómica Transcripción genética
• Subjects:Ribonucleic acid (RNA) Plant genetics Genomics Proteomics Genetic transcription
• Palabras claves:Precisión de predicción PPI, algoritmo Random Forests, predicción PPI, PPCM, PPI, clasificadores individuales, fusión de clasificadores de predicción de interacción de proteínas, base de datos Gold Standard, herramientas de predicción PPI, mejor precisión de predicción.
• Keywords:PPI prediction accuracy, Random Forests algorithm, PPI prediction, PPCM, PPI, individual classifiers, protein interaction prediction classifiers merger, Gold Standard database, PPI prediction tools, better prediction accuracy