高通量相互作用研究的混合隶属度分析：关系数据
Mixed membership analysis of high-throughput interaction studies: Relational data
摘要：
在本文中，我们考虑蛋白质相互作用网络的统计分析。我们提出了一个贝叶斯模型，它使用一个层次的概率假设蛋白质相互作用的方式，以便：（i）确定不可观察的功能模块的数量;（ii）估计蛋白质的成员模块的程度;（iii）估计功能模块本身之间的典型的相互作用模式。我们的模型描述了大量的（关系）数据使用一个相对较小的参数集，我们可以可靠地估计一个有效的推理算法。我们将我们的方法应用于酿酒酵母中蛋白质与蛋白质相互作用的数据，以揭示蛋白质的不同功能作用。案例研究提供了基础，概述了哪些科学问题可以使用我们的方法来解决，并讨论技术问题。
英文摘要：
In this paper, we consider the statistical analysis of a protein interaction network. We propose a Bayesian model that uses a hierarchy of probabilistic assumptions about the way proteins interact with one another in order to: (i) identify the number of non-observable functional modules; (ii) estimate the degree of membership of proteins to modules; and (iii) estimate typical interaction patterns among the functional modules themselves. Our model describes large amount of (relational) data using a relatively small set of parameters that we can reliably estimate with an efficient inference algorithm. We apply our methodology to data on protein-to-protein interactions in saccharomyces cerevisiae to reveal proteins' diverse functional roles. The case study provides the basis for an overview of which scientific questions can be addressed using our methods, and for a discussion of technical issues.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
