蛋白质相互作用网络数据库

蛋白质相互作用网络是由相互作用数据构建而来的，多种常见的数据库都能提供各个物种的相互作用网络信息，例如BIND、DIP、MINT、BioGRID、HPRD、IntAct和STRING。由于这些数据库提供的相互作用是通过生物学方法验证的，因此利用这种真实验证过的数据进行预测具有更高的准确性。此外，在这些数据库中，MINT、IntAct和STRING还提供了从不同来源获得的PPI分数，用来评估相互作用的可靠性。在实际应用时，也可以通过挑选得分较高的蛋白质对来构建更可靠的PPI网络。

蛋白质序列数据库

蛋白质序列也可被称作蛋白质一级结构，它指的是氨基酸残基在蛋白质肽链中的排列顺序，是蛋白质最基础的结构。相关蛋白质序列信息可从UniProt、PIR、SWISS-PROT、NRL3D和TrEMBL数据库获得，它们都包括了各种生物的蛋白质序列信息和相关注释信息。

高级结构数据库

除了上述的一级结构外，蛋白质还有二级、三级和四级三个更高级的结构，它们都是由一级结构决定的蛋白质的空间结构。在一级结构序列中，蛋白质肽链是直链状，而二级结构中的肽链分子会通过一定的规律进行卷曲或折叠形成的特定空间结构，如α螺旋和β折叠；三级结构是在二级结构的基础上进一步盘曲或折叠形成的三维（3D）空间结构；四级结构则是具有两条或两条以上三级结构的多肽链组成的蛋白质。其中最常被用于预测的是蛋白质的三维结构，该信息可以从PDB和SCOP获得。

基因组信息数据库

由于全基因组测序技术的高速发展，多种现象如：基因融合、基因邻接和系统发育图谱可以被很好的观察到，而这些信息已被多项研究证明可用于预测蛋白质间的相互作用。此类信息可在MIPS和CGD数据库中获得，前者更多的是哺乳动物相关的基因信息，后者包括其他多种生物。

基因本体论数据库

基因本体论（Gene Ontology，GO）是用于描述基因及其产物的功能和联系的，而蛋白质就是常见的基因产物，基因本体论包括三部分：细胞成分、分子功能和生物学过程。相关信息可以从GO database和QuickGO中下载。

基于网络结构的模型

一般而言，基于网络结构的预测模型会把蛋白质相互作用网络看作图论中的无权无向图，记作，其中，是个蛋白质的集合，是中一个的邻接矩阵。给定两个蛋白质和，如果和具有相互作用，则，否则。

基于序列的模型

基于此信息的预测模型主要通过蛋白质序列提取某些能够为预测任务提供支持的信息，例如氨基酸的疏水性、亲水性等，然后利用这些信息为每个蛋白质生成唯一特定的特征向量，最后把提取出的蛋白质向量输入到经典的分类器中，如支持向量机（Support Vector Machine，SVM）和随机森林（Random Forests，RF），对蛋白质对进行二分类处理，由此获取预测结果。

基于结构的模型

除了序列外，蛋白质还有二级结构、三级结构和四级结构，这三个结构都是蛋白质在一级结构的基础上形成的更高维度也更复杂的空间结构。由于目前对这些高级结构的认知远不如蛋白质序列那么多，所以，基于此类信息预测蛋白质相互作用的模型数量也要大幅度小于基于序列的模型。目前，蛋白质的三级结构是最常见的被用于预测相互作用的高级结构信息，基于该信息进行预测的模型是根据以下假说工作的：如果两个蛋白质的相互作用区域能够完美嵌合，那么它们之间很可能存在相互作用。

基于基因组的模型

随着多种生物基因组测序工作的完成，很多现象如：基因融合、基因顺序和系统发育图谱等可以被更好地观察到，其中，基于基因融合的预测模型认为能够在另一个组织中彼此融合的两个蛋白质，更有可能彼此发生相互作用；基于基因顺序的模型认为基因之间的顺序表明了其在功能上的相关性，而功能相关的蛋白质对更可能发生相互作用；系统发育图谱通常存在于系统发育树中，基于该信息的模型认为蛋白质系统发育图谱的相似性表明了其在功能上的相关性，因此具有相似发育图谱的蛋白质更可能发生相互作用。虽然基于基因组的模型历史悠久且具有较好的性能，但是对于那些没有发现基因融合事件，基因顺序无法获取，以及不能很好的映射其系统发育图谱的蛋白质对，它们之间的相互作用无法利用此类模型进行预测。

基于基因本体论的模型

基因本体论是由研究人员提出的用于描述基因及其产物特性的术语，而蛋白质就是后者的代表物质。该术语能够从细胞组分、分子功能和生物学过程三个角度描述蛋白质。由于具有相似功能的两个蛋白质更可能通过彼此发生相互作用，来承担细胞体内的同一个生理功能，而基因本体论又提供了获取蛋白质功能信息的相应途径，所以，可以通过某些方法计算蛋白质对的基因本体论相似性，从而评估它们的功能相似性，进而预测蛋白质相互作用。虽然有研究表明基于基因本体论的特征比基于序列的频谱计数特征具有更好的性能。但是，此类模型多数没有考虑细胞组分信息以及基因本体论类别层次结构中不相等的深度对于蛋白质相互作用预测带来的影响。

基于深度学习的模型

深度学习是近年来兴起的一项新技术，当被应用于预测蛋白质相互作用时，深度学习技术强大的学习能力能够更准确、更自动化地学习蛋白质的特征，从而生成更精确的特征向量，基于深度学习的模型不仅能够在一定程度上提升对于相互作用的预测能力，而且可以进一步减少人力的消耗。该类模型和基于序列的模型原理类似，都是从蛋白质中提取某些和相互作用相关的信息作为特征向量，然后利用这些特征向量结合现有的分类器模型评估两个蛋白质之间存在相互作用的概率。与上述几种类型的预测模型相比，基于深度学习的模型能够发挥深度学习技术的优势，挖掘潜在的有价值的蛋白质特征信息，使得模型的预测性能更好。

大规模预测模型

目前，已经鉴定出的蛋白质相互作用的数据还不到整个相互作用组的20％。随着高通量技术的发展，蛋白质相互作用数据的大小和复杂性也大大增加。大规模预测模型通常采用分布式的方法，并行预测蛋白质相互作用，以提高模型的效率，但由于各类模型所采用技术的局限性，并不是所有大规模预测模型都能保证预测性能优秀且预测效率高效。

实验方案

为了实现准确预测蛋白质相互作用，现有的计算模型通常遵循有监督的学习框架，准备相互作用和非相互作用的蛋白质对数据。其中，相互作用数据是阳性样品，非相互作用是阴性样品。前者可以从数据库中明确提取，后者可利用随机生成策略、细胞定位策略和Negatome 2.0获取。

性能评估

要定量评估计算模型预测蛋白质相互作用的性能，可以使用四种评估指标：Matthew相关系数（MCC）、F1得分、AUC和PR-AUC。其中，MCC是一种平衡度量指标，不仅可以指示预测结果与真实结果之间的相关系数，还可以处理数据集不平衡的情况；F1得分是为了平衡查全率和查准率而被提出的，是它们的调和平均数；AUC是ROC曲线与坐标轴所围面积的值，而ROC曲线是以FPR为横轴，TPR为纵轴所做；PR-AUC是 PR曲线与坐标轴所围面积的值，而PR曲线是以查全率为横轴，查准率为纵轴所做。