Recently, many domain based protein-protein interaction prediction methods have been developed. However, the methods seldom consider the collaborations of domains due to the lack of appropriate computational model or complexity. In this paper, we propose a weighted domain combi-nation based protein interaction prediction method. Unlike conventional domain combination methods, the proposed method develops a model to quantify the influence of a domain combination pair in a protein interaction. The results of the quantification are summarized and stored in a matrix called Interaction Significance (IS) matrix. IS matrix contains information on weighted domain combinations and domain combination pair’s coupling power, which denote possibilities of domain collaboration and being the main body of a protein interaction respectively. In this paper, we also ex-tracted primary interacting domain combination pair in a PPI; it can give a clue whether the assigned weights are reliable or not by comparing the re-sults with real physical interactions. In S. cerevisiae, approximately 63% of sensitivity and 86% of specificity were achieved when we predict PPI by using PPI data from DIP and IntAct and domain data from Pfam-A; and prediction accuracy gradually increased as the size of the learning set grows. In addition, 83% of accuracy was achieved when we extracted primary interacting DC pair of PPI from iPfam and verified the results using PDB crystal structure. Our computational model provides several benefits against conventional domain or domain combination based PPI prediction methods. The PPI prediction accuracy can be improved, and we can provide addi-tional information relevant to PPI in our prediction model. Biologists can prepare their plan for experiments investigating a protein interaction more efficiently by focusing more on the primary DC-pair than the other DC-pairs. In addition, information of primary interacting DC pair is useful in predicting domain interface data and providing extended information on domain interaction data.
최근 계산을 통한 단백질 상호작용 예측 기법 중, 단백질 쌍이 포함하고 있는 도메인들 사이의 관계에 중점을 둔 도메인 정보 기반 예측 기법들이 다양하게 제안되고 있다. 하지만, 다수의 도메인 쌍들이 서로 협력하는 정도를 반영하는 것은 계산의 복잡도로 인해 무시되는 실정이다. 본 논문에서는 단백질 상호작용에 있어 도메인 조합 쌍의 상호작용 영향력을 수치화하여 반영한 상호작용 중요도 행렬을 고안하여 이를 기반으로 한 단백질 상호작용 예측 시스템을 고안하였다. 이 시스템은 단백질 쌍의 상호작용 확률을 제안함과 동시에 상호작용의 주체가 될 가능성이 있는 도메인 쌍들을 제안하는 등의 다양한 예측 결과를 제공한다. 일반적인 도메인 조합 기법과 달리, 상호작용 중요도 행렬에서는 상호작용을 위한 도메인간의 협업 확률이 고려된 Weighted 도메인 조합과, 다수의 Weighted 도메인 조합 중 실제 상호작용 주체가 될 확률을 도메인 조합 쌍의 힘(Domain Combination Pair’s Coupling Power, DCPPW)으로 수치화하였다. 또한 본 논문에서는 이러한 도메인 조합 쌍의 힘 (DCPPW) 이 얼마나 신뢰성 있게 부여되고 있는지를 실제 PDB crystal structure 정보를 통해 확인하고, 상호작용하는 도메인 조합 쌍의 예측의 정확성을 높이기 위해 방법론의 변수들을 개선하였다. 그 결과 본 시스템은 단백질 상호작용 확률과 함께 상호작용 하는 도메인 조합 쌍을 제안하여 사용자에게 예측 결과의 상세 정보를 제공한다. DIP과 IntAct에서 얻어온 S. cerevisiae 의 단백질 상호작용 데이터와 Pfam-A 도메인 정보를 사용한 정확도 검증 결과, 평균 63%의 민감도와 86%의 특이도를 확인하였으며, 학습집단의 증가에 따른 안정적인 예측 정확도 향상을 보였다. 또한 iPfam 에 보고된 도메인 상호작용 정보와 PDB 크리스탈 구조 등을 통해 상호작용하는 도메인 조합 쌍의 예측 결과를 검증하였다. 검증 결과 253 개의 단백질 상호작용 중 210 개의 단백질 상호작용의 도메인 상호작용을 정확하게 예측하였다. 본 연구에서 개선된 예측 시스템을 통해 제공되는 도메인 조합 쌍의 상호작용 정보를 사용해 우리는 거꾸로 도메인 상호작용 정보 데이터를 확장할 수 있으며 상호작용면 예측을 하는 데에도 사용할 수 있다.
