.png){kind=icon}
返回
Robust signalling entropy estimation for biological process characterisation
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbaf269.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动机 信号传导熵衡量生物系统中信号通路的不确定性或随机性。它反映了蛋白质相互作用的复杂性和变异性，并可以指示细胞内信息的处理方式。较高的信号传导熵通常表明更动态和适应性更强的状态，而较低的熵可能意味着更稳定且响应性较低的条件。估算信号传导熵已成为研究并理解生物过程复杂性的有价值的方法。这一指标有望为多种现象提供宝贵见解，包括细胞命运决定、药物耐药性和疾病进展背后的机制。为考察系统内的分子变化，信号传导熵通过整合表达测量和蛋白质相互作用网络进行量化。实验和计算问题，如假阳性和附加噪声，都可能损害蛋白质相互作用网络的准确性。校正方法可用于缓解虚假结果、纠正实验偏差以及整合多源数据。然而，迄今为止，此类方法对熵计算的影响，以及不同底层网络的影响，尚未得到评估。
结果 在此，我们研究了不同蛋白质相互作用网络的拓扑结构如何改变熵计算。我们检验了不同蛋白质相互作用网络衍生的熵。此外，我们系统地评估了不同的校正策略，概述了其优缺点，并确定了针对特定类型数据和生物场景的最有效方法。该方案概述了如何优化熵计算的可靠性，并最终加深对生物过程和疾病机制的理解。
Keyword:
signalling entropy
protein interaction networks
false-positive interactions
correction methods
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.7
论文数:
5.6K
被引数:
2.7W
机构
引用论文
BioGRID: a general repository for interaction datasetsBioGRID: 交互数据集的通用存储库.png)
NUCLEIC ACIDS RESEARCHOAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏GOSemSim: an R package for measuring semantic similarity among GO terms and gene productsGOSemSim: 一个用于测量GO术语和基因产品之间语义相似性的R包OAAI
OAAI分享收藏Detecting the critical states during disease development based on temporal network flow entropy
PREAI
分享收藏分享收藏
查看更多内容