Computational microRNA (miRNA) target identification in animal genomes is a challenging problem due to the imperfect pairing of the miRNA with the target site. Techniques based on sequence alone are prone to produce many false positive interactions. Therefore, integrative techniques have been developed to utilize additional genomic, structural features, and evolu- tionary conservation information for reducing the high false positive rate. We propose that the context of a putative miRNA target in a protein-protein interaction (PPI) network can be used as an additional filter in a computational miRNA target pr ediction algorithm. We compute several graph theoretic measures on human PPI network as indicators of network context. We assess the performance of individual and combined contextual measures in increasing the precision of a popular miRNA target prediction tool, TargetScan, using low throughput and high throughput datasets of experimentally verified human miRNA targets. We used clas- sification algorithms for that assessment. Since there exists only miRNA targets as training samples, this problem becomes a One Class Classification (OCC) problem. We devised a novel OCC method, DiVo, based on simple distance metrics and voting. Comparative analysis with the state of the art methods show that, DiVo attains better classification performance. Our eventual results indicate that topological properties of target gene products in PPI networks are valuable sources of information for filtering out false positive miRNA target genes. We show that, for targets of a number of miRNAs, netwo rk context correlates better with being a target compared to a sequence based score provided by the prediction tool.

Computational microRNA (miRNA) target identification in animal genomes is a challenging problem due to the imperfect pairing of the miRNA with the target site. Techniques based on sequence alone are prone to produce many false positive interactions. Therefore, integrative techniques have been developed to utilize additional genomic, structural features, and evolu- tionary conservation information for reducing the high false positive rate. We propose that the context of a putative miRNA target in a protein-protein interaction (PPI) network can be used as an additional filter in a computational miRNA target prediction algorithm. We compute several graph theoretic measures on human PPI network as indicators of network context. We assess the performance of individual and combined contextual measures in increasing the precision of a popular miRNA target prediction tool, TargetScan, using low throughput and high throughput datasets of experimentally verified human miRNA targets. We used clas- sification algorithms for that assessment. Since there exists only miRNA targets as training samples, this problem becomes a One Class Classification (OCC) problem. We devised a novel OCC method, DiVo, based on simple distance metrics and voting. Comparative analysis with the state of the art methods show that, DiVo attains better classification performance. Our eventual results indicate that topological properties of target gene products in PPI networks are valuable sources of information for filtering out false positive miRNA target genes. We show that, for targets of a number of miRNAs, network context correlates better with being a target compared to a sequence based score provided by the prediction tool.

Τα τελευταία χρόνια κυριαρχεί στο χώρο της γενωμικής έρευνας η τεχνολογία των μικροσυστοιχιών, η οποία επέτρεψε την ποσοτική μέτρηση της έκφρασης χιλιάδων γονιδίων ταυτόχρονα. Παρόλο που τα δεδομένα έκφρασης των γονιδίων μπορεί να εμπεριέχουν θόρυβο και να μην είναι πλήρως αντικειμενικά, εντούτοις περιγράφουν την έκφραση όλου του γονιδιώματος ενός οργανισμού, κάτι το οποίο δεν ήταν εφικτό τις προηγούμενες δεκαετίες. Επίσης ένα άλλο είδος δεδομένων που συνέβαλλε δραστικά στην κατανόηση των δυναμικών διεργασιών του κυττάρου ήταν τα δεδομένα πρωτεϊνικών αλληλεπιδράσεων (πρωτεΐνη-πρωτεΐνη). Μεγάλης κλίμακας τεχνικές όπως το διυβριδικό σύστημα του σακχαρομύκητα και η φασματομετρία μάζας καθαρισμένων πρωτεϊνικών συμπλόκων παρήγαγαν μεγάλη ποσότητα πληροφορίας για τις σχέσεις μεταξύ των γονιδιακών προϊόντων. Επίσης και αυτό το είδος δεδομένων χαρακτηρίζεται από πολλές αναληθείς αλληλεπιδράσεις και στην εργασία αυτή χρησιμοποιούνται οι πιο έγκυρες από αυτές. Ταυτόχρονα ξεκίνησε μια προσπάθεια να περιγραφούν οι δυναμικές διεργασίες του κυττάρου μέσα από βιολογικά δίκτυα π.χ. γονιδιακά, πρωτεϊνικά, μεταβολικά κτλ. Ακόμα μεγαλύτερη πρόκληση είναι η εύρεση υποδικτύων με βιολογικά διακριτό ρόλο, τα οποία ονομάζονται λειτουργικές υπο-δομές. Η ανίχνευση τέτοιων υπο-δομών θα συντελέσει στην κατανόηση των σχέσεων μεταξύ των γονιδίων ή των προϊόντων τους αλλά και στην επισήμανση γονιδίων ή πρωτεϊνών που δεν έχουν χαρακτηριστεί ακόμα. Στην εργασία αυτή τέλος περιγράφονται τρόποι ομαδοποίησης των δεδομένων γονιδιακής έκφρασης, αναλύονται διεξοδικά τα δίκτυα αλληλεπίδρασης πρωτεϊνών και παρουσιάζονται τρόποι ομαδοποίησης αυτών. Επίσης προτείνεται ενοποίηση των παραπάνω δεδομένων στον οργανισμό Saccharomyces cerevisiae με σκοπό την ανίχνευση λειτουργικών υπο-δομών στον πρωτεϊνικό του γράφο. Επιπρόσθετα, η ανίχνευση αυτών των υπο-δομών υλοποιήθηκε με έναν νέο αλγόριθμο, τον Detect Module from Seed Protein (DMSP), ο οποίος δεν διαμερίζει το γράφο σε ομάδες όπως οι κλασικοί τρόποι ομαδοποίησης αλλά χτίζει υπο-δομές ξεκινώντας από μια πρωτεΐνη-«σπόρο». / -

<div> <div> <div> <p>Understanding protein-protein interactions (PPIs) in a cell is essential for learning protein functions, pathways, and mechanisms of diseases. This dissertation introduces the computational method to predict PPIs. In the first chapter, the history of identifying protein interactions and some experimental methods are introduced. Because interacting proteins share similar functions, protein function similarity can be used as a feature to predict PPIs. NaviGO server is developed for biologists and bioinformaticians to visualize the gene ontology relationship and quantify their similarity scores. Furthermore, the computational features used to predict PPIs are summarized. This will help researchers from the computational field to understand the rationale of extracting biological features and also benefit the researcher with a biology background to understand the computational work. After understanding various computational features, the computational prediction method to identify large-scale PPIs was developed and applied to Arabidopsis, maize, and soybean in a whole-genomic scale. Novel predicted PPIs were provided and were grouped based on prediction confidence level, which can be used as a testable hypothesis to guide biologists’ experiments. Since affinity chromatography combined with mass spectrometry technique introduces high false PPIs, the computational method was combined with mass spectrometry data to aid the identification of high confident PPIs in large-scale. Lastly, some remaining challenges of the computational PPI prediction methods and future works are discussed. </p> </div> </div> </div>

Der Transkriptionsfaktor CCAAT/enhancer-binding Protein β (C/EBPβ) reguliert die Expression zahlreicher Gene, welche die Proliferation, Differenzierung und Seneszenz in hämatopoietischen Zellen, Adipozyten und Leukämiezellen kontrollieren. Um diese mannigfaltigen Aufgaben zu erfüllen interagiert C/EBPβ mit zahlreichen Kofaktoren und Proteinen der Transkriptionsregulations-Maschinerie. Da das funktionale Netzwerk von C/EBPβ und seinen zahlreichen Kooperationspartnern bis heute nicht vollständig entziffert ist, ist es das Ziel dieser Arbeit das Netzwerk aus Interaktionspartnern und C/EBPβ regulierten Proteinen in Leukämiezelllinien und darüber hinaus zu erforschen und aufzudecken. Das Interaktom von C/EBPβ wurde mittels einer Kombination aus einem membranbasierten Peptid-Interaktions Testverfahrens (APS) und endogener Immunprezipitationen mit gekoppelter MS-Analyse untersucht. Außerdem wurde die Proteinmenge von C/EBPβ und von potentiell von C/EBPβ regulierten Proteinen mittels proteomischer MS-Analyse in C/EBPβ Knock-out- und Leukämiezelllinien untersucht. Die Protein-Interaktionsversuche ergaben epigenetische und allgemeine transkriptionsregulierende Proteine, sowie Chromatinstruktur modellierende Faktoren, die mit C/EBPβ interagieren. Zusätzlich konnten neue Interaktionen von C/EBPβ mit Kondensin- und Kinetochorproteinen beobachtet werden. Die Versuchsergebnisse eröffnen überdies neue Interaktionen von C/EBPβ mit DNA Reparatur und Apoptose assoziierten Proteinen. Interessanterweise konnten auch Komponenten des Spliceosomes und RNA-prozessierende Proteine als Interaktoren von C/EBPβ identifiziert werden. Zusammenfassend ermöglicht diese Studie nicht nur die Verifikation von bereits bekannten Proteininteraktionen von C/EBPβ, sondern eröffnet zahlreiche weitere zukünftige Forschungsfelder bezüglich des Interaktionsnetzwerkes von C/EBPβ in Leukämien, sowie anderen Zellarten und Geweben. / The basic leucine zipper transcription factor CCAAT/enhancer-binding protein β (C/EBPβ) regulates the expression of various genes that control the proliferation, differentiation and senescence of haematopoietic cells, adipocytes and leukemia cells. To facilitate its multifaceted functions C/EBPβ interacts with a collection of cofactors and proteins of the transcription regulation machinery. As the functional network of C/EBPβ and its numerous cooperation partners is still incomplete this study attempted to analyze interaction partners and downstream proteins of C/EBPβ in leukemia cells and beyond. A combinatory approach of an array based peptide-interaction screening (APS) and endogenous shotgun IP-MS from leukemia cell lines was applied to elucidate the interactome of C/EBPβ. Moreover, C/EBPβ abundance and potential C/EBPβ regulated proteins were determined by MS proteomics in C/EBPβ knockout and leukemia cell lines. The interaction screenings revealed proteins associated with the general and epigenetic regulation of transcription, with chromatin remodeling and mitotic chromatin organization as well as cell cycle regulation. Additionally, new interactions of C/EBPβ with condensin and kinetochore proteins could be elucidated. The data reports of novel C/EBPβ interactors involved in DNA repair and apoptosis. In addition, components of the spliceosome and RNA-processing were detected. Altogether this study verifies known and reveals various novel interactions of the transcription factor C/EBPβ and augments the network of previous reported interactions and potential cooperation partners. The here collected data discloses new subjects for further research concerning the interaction network of C/EBPβ during cell differentiation and in leukemia.

No description available.