一个基于TRIM家庭的TRIMCIV目标预测策略,在泛癌症环境中,使用多个Omics数据和蛋白质对接集成

科学领域:

• 分子生物学分子生物学
• 生物信息学是一种生物信息学.
• 在瘤学瘤学.

背景情况:

• TRIM CIV子家族在癌症通过ubiquitination的进展中至关重要.
• 识别TRIM CIV基质是理解瘤发生的关键.
• 现有的蛋白质-蛋白质相互作用 (PPI) 预测模型缺乏癌症特异性和强大的负数据集.

研究的目的:

• 开发一种精确的方法来识别TRIM CIV目标.
• 为TRIM CIV子家族创建癌症特定的PPI预测模型.

主要方法:

• 开发了TRIMCIV目标器,整合了多维PPI特征:癌症特异的表达差异/相关性,对接分数和上下文.
• 训练了两个基于SVM的二进制模型,使用来自718个验证的TRIM-target对的蛋白质和转录组数据.
• 利用一个公平的特征空间,避免假设的非相互作用对进行强大的预测.

主要成果:

• 在各种癌症中实现了TRIM CIV目标的强大预测性能.
• 这些模型成功地整合了各种功能,以准确预测PPI.
• TRIMCIVtargeter通过规避假设的非相互作用对来证明其有效性.

结论:

• TRIMCIVtargeter为研究癌症中的TRIM CIV功能提供了宝贵的资源.
• 在瘤学中为特定家庭的PPI预测提供了一个新的视角.
• 对生物标志物发现和癌症治疗向有重大影响.