Analysis of high throughput data [Elektronische Ressource] : protein protein interactions, protein complexes and RNA half life / vorgelegt von Caroline Christina Friedel

Caroline Christina Friedel

Sujets

• Biologie

Informations

• Publié par: ludwig-maximilians-universitat_munchen
• Publié le: 01 janvier 2008
• Nombre de lectures: 8
• Langue: English
• Poids de l'ouvrage: 17 Mo

Extrait

Analysis of High-Throughput Data –
Protein-Protein Interactions, Protein
Complexes and RNA Half-life
Caroline Christina Friedel
Munc¨ hen 2008Analysis of High-Throughput Data –
Protein-Protein Interactions, Protein
Complexes and RNA Half-life
Caroline Christina Friedel
Dissertation
an der Fakult¨at fur¨ Mathematik, Informatik und Statistik
der Ludwig–Maximilians–Universit¨at
Munc¨ hen
vorgelegt von
Caroline Christina Friedel
aus Mun¨ chen
Munc¨ hen, den 4.12.2008Erstgutachter: Prof. Dr. Ralf Zimmer
Zweitgutachter: Prof. Dr. Hans-Werner Mewes
Tag der mundlic¨ hen Prufung¨ : 4.2.2009Contents
Summary xi
Zusammenfassung xiii
1 Motivation and overview 1
1.1 High-throughput data in bioinformatics . . . . . . . . . . . . . . . . . . . . 1
1.2 Thesis outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
I Protein-protein interactions 7
2 A short introduction to network analysis 9
2.1 Large-scale experimental methods . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Network properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Degree distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2 Clustering coefficient . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.3 Characteristic path length . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.4 Small-world effect . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.5 Error and attack tolerance . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.6 Betweenness centrality . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Reference networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Rewired reference networks . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Networks with arbitrary degree distributions . . . . . . . . . . . . . 16
2.4 Network evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 Preferential attachment . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Duplication models . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Inferring the topology of protein-protein interaction networks 19
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.1 Modeling yeast-two hybrid experiments . . . . . . . . . . . . . . . . 20
3.2.2 Missing interactions . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.3 Spurious interactions . . . . . . . . . . . . . . . . . . . . . . . . . . 22iv CONTENTS
3.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.1 Analytical results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3.2 Simulation results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Degree correlations and network structure and stability 41
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.1 Reference networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.2 Evaluation of degree correlations . . . . . . . . . . . . . . . . . . . 43
4.2.3 Simulation of measurement errors . . . . . . . . . . . . . . . . . . . 43
4.2.4 Targeted deletion of nodes . . . . . . . . . . . . . . . . . . . . . . . 43
4.2.5 Analysis of network properties . . . . . . . . . . . . . . . . . . . . . 44
4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1 Protein-protein interaction networks . . . . . . . . . . . . . . . . . 44
4.3.2 Degree correlations in PPI networks . . . . . . . . . . . . . . . . . . 45
4.3.3 Structural properties influenced by degree correlations . . . . . . . 47
4.3.4 Tolerance to targeted deletion . . . . . . . . . . . . . . . . . . . . . 49
4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Analysis of herpesviral interaction networks 55
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 Analysis of intraviral interactions . . . . . . . . . . . . . . . . . . . 57
5.2.2 of virus-host interactions . . . . . . . . . . . . . . . . . . . 58
5.2.3 Text mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.3.1 Intraviral interactions of five herpesvirus species . . . . . . . . . . . 59
5.3.2 Herpesvirus-host interactions . . . . . . . . . . . . . . . . . . . . . 67
5.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
II Protein complexes 75
6 Prediction of protein complexes 77
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.2.1 Combination of experiments . . . . . . . . . . . . . . . . . . . . . . 80
6.2.2 Bootstrap sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.2.3 Identification of protein complexes . . . . . . . . . . . . . . . . . . 81CONTENTS v
6.2.4 Calculation of confidence scores and final complexes . . . . . . . . . 83
6.2.5 Criteria for the evaluation of complex quality . . . . . . . . . . . . 83
6.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.3.1 Evaluation of interaction networks. . . . . . . . . . . . . . . . . . . 86
6.3.2 Functional and localization similarity within complexes . . . . . . . 87
6.3.3 Validation on reference complexes . . . . . . . . . . . . . . . . . . . 88
6.3.4 Assessing predictions from the Gavin data alone . . . . . . . . . . . 88
6.3.5 Towards a consensus of complex predictions . . . . . . . . . . . . . 89
6.3.6 Comparison of example complexes . . . . . . . . . . . . . . . . . . . 92
6.3.7 ProCope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7 Identifying the topology of protein complexes 97
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.2.1 Maximum spanning trees . . . . . . . . . . . . . . . . . . . . . . . . 98
7.2.2 Extending the maximum spanning trees . . . . . . . . . . . . . . . 100
7.2.3 Baseline prediction algorithms . . . . . . . . . . . . . . . . . . . . . 101
7.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.3.1 Reference interactions . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.3.2 Evaluation of predictive accuracy . . . . . . . . . . . . . . . . . . . 103
7.3.3 Separation of substructures within complexes . . . . . . . . . . . . 105
7.3.4 Density of complex scaffolds . . . . . . . . . . . . . . . . . . . . . . 106
7.3.5 Analysis of the DNA-directed RNA polymerase . . . . . . . . . . . 107
7.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
III RNA half-life 111
8 Calculating RNA half-life from de novo transcription 113
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.2.1 Experimental data . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.2.2 Normalization by linear regression analysis . . . . . . . . . . . . . . 115
8.2.3 Calculation of RNA half-life . . . . . . . . . . . . . . . . . . . . . . 116
8.2.4 Normalization based on median half-life . . . . . . . . . . . . . . . 118
8.2.5 Modeling steady state, cell division and regulation . . . . . . . . . . 119
8.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.3.1 Median RNA half-life and probe set quality control . . . . . . . . . 120
8.3.2 Accuracy of RNA half-life measurements . . . . . . . . . . . . . . . 122
8.3.3 Influence of labeling time . . . . . . . . . . . . . . . . . . . . . . . . 125vi CONTENTS
8.3.4 Analysis of the cell division model . . . . . . . . . . . . . . . . . . . 127
8.3.5 Differential expression after IFN treatment . . . . . . . . . . . . . . 129
8.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9 A conserved role of RNA half-life 135
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
9.2 Methods . . . . . . . . . . . .