REPEL - Perturbación Aleatoria de Incrustaciones para el Aprendizaje Mejorado de la Función de Proteínas

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Biología de Sistemas

Sus antecedentes:

• La predicción de la función de proteínas es vital para comprender los sistemas biológicos.
• Los métodos de incrustación actuales para redes de asociación proteína-proteína luchan con la proximidad espuria, lo que limita la precisión.
• Las estructuras de redes heterogéneas complican la distinción de proteínas verdaderamente disimilares.

Objetivo del estudio:

• Presentar REPEL, una herramienta novedosa para la predicción de la función de proteínas.
• Abordar el desafío de la proximidad espuria de proteínas en las incrustaciones de redes.
• Mejorar la robustez y la precisión de la predicción de la función de proteínas.

Principales métodos:

• Se desarrolló REPEL, una herramienta de predicción de funciones que utiliza aumentación de grafos aleatorios.
• Se aplicó una fuerza repulsiva débil uniforme para separar los nodos de la red.
• Se evaluó el método en redes de asociación de proteínas multicanal simuladas y reales (levadura, E. coli).

Principales resultados:

• REPEL mejoró consistentemente la precisión de la predicción de la función de proteínas en comparación con Mashup, deepNF y BIONIC.
• La aumentación repulsiva aleatoria elimina eficazmente el ruido en el aprendizaje al distanciar las proximidades espurias.
• El método demostró una mayor robustez en la predicción de funciones.

Conclusiones:

• REPEL ofrece un avance significativo en la precisión y robustez de la predicción de la función de proteínas.
• La aumentación de grafos aleatorios actúa como un mecanismo de eliminación de ruido para el aprendizaje basado en redes.
• El principio de aumentación de grafos propuesto tiene potencial para aplicaciones más amplias en algoritmos basados en grafos.