25.11

Kd = [A]×[B]/[AB]

—>the smaller the Kd, the stronger the interaction

1) Direct assays, purification of interactionpartners,

for example surface plasma resonance method

—> with Kd

2) Binary assays, no purification, mearusement in cellular systems

for example yeast two hybrid method

—>no Kd

3) Co-complex assays, co-immunoprecipitation, fractioning, proximity labeling

for example westernblot

—> no Kd

1) Direkte Tests, Reinigung von Interaktionspartnern,zum Beispiel Oberflächenplasmonresonanz-Methode—> mit Kd

2) Binäre Tests, keine Reinigung, Messung in zellulären Systemenzum Beispiel Hefe-Zwei-Hybrid-Methode—> kein Kd

3) Ko-Komplex-Tests, Co-Immunpräzipitation, Fraktionierung, Proximitätsmarkierungzum Beispiel Westernblot—> kein Kd

1) literature curation

Data bases are installed for example IntAct

Bias towards wekk studied genes

2)interactome mapping

Using various experimental techniques (Y2H) to create a comprehensive map of all interactions. Example: HuRi

No bias for less studied proteins, but technical bias

3)prediction

Alphafold, Textmining, correlation data

High false positive rate, but efficient way to get much more data

1) Literaturauswahl Datenbanken werden installiert, zum Beispiel IntAct Tendenz zu gut untersuchten Genen

2) Interaktomkartierung Verwendung verschiedener experimenteller Techniken (Y2H), um eine umfassende Karte aller Interaktionen zu erstellen. Beispiel: HuRiKeine Voreingenommenheit gegenüber weniger untersuchten Proteinen, aber technische Verzerrung

3) VorhersageAlphafold, Textmining, KorrelationsdatenHohe Falsch-Positiv-Rate, aber effizienter Weg, um deutlich mehr Daten zu erhalten

1. Select proteins: Input one or more proteins (e.g., TP53, EGFR).

2. Network construction: STRING builds a network where:

   • Nodes = proteins

   • Edges = interactions between proteins

3. Scoring: Each connection receives a confidence score.

4. Visualization & analysis:

   • Highlight nodes, clusters, or functional categories

   • Export the network for further analysis in Cytoscape or R

5. Interpretation:

   • Hubs = highly connected proteins, often key regulators

   • Modules/Clusters = groups of proteins involved in the same proces

Proteine auswählen: Geben Sie ein oder mehrere Proteine ein (z. B. TP53, EGFR).

Netzwerkkonstruktion: STRING erstellt ein Netzwerk, bei dem gilt:

Knoten = Proteine

Kanten = Interaktionen zwischen Proteinen

Bewertung: Jede Verbindung erhält einen Vertrauensscore.

Visualisierung & Analyse:Hervorheben von Knoten, Clustern oder funktionalen KategorienExportieren des Netzwerks zur weiteren Analyse in Cytoscape oder R

Interpretation:Hubs = stark vernetzte Proteine, oft SchlüsselregulatorenModule/Cluster = Gruppen von Proteinen, die am selben Prozess beteiligt sind

STRING = Search Tool for the Retrieval of Interacting Genes/Proteins

• It’s a database and web platform for protein-protein interactions (PPI).

• Purpose: Predicting and visualizing networks of proteins.

• Covers many organisms (human, mouse, yeast, etc.).

STRING = Suchwerkzeug zur Auffindung interagierender Gene/Proteine

Es ist eine Datenbank und Webplattform für Protein-Protein-Interaktionen (PPI).

Zweck: Vorhersage und Visualisierung von Proteinnetzwerken.

Umfasst viele Organismen (Mensch, Maus, Hefe usw.).

Sensitivity, Specificity

—>only proper controlled interaction data guarantees high quality

Sensitivität, Spezifität—>nur ordnungsgemäß kontrollierte Interaktionsdaten garantieren hohe Qualität

Biological networks are scale-free because their connectivity follows a power-law distribution (most nodes have only a few links, while a small number of nodes—hubs—have many)

—>meaning number of proteins does not correlate with the complexity of the network=not scalable

-Preferential attachment increases connectivity of already well-connected nodes.

-Gene duplication + divergence naturally generates hubs.

-Evolution favors robustness, which scale-free networks provide.

-Cost constraints make sparse but hub-based architectures efficient.

-Local evolutionary rules produce global power-laws without any central control.

Biologische Netzwerke sind skalenfrei, weil ihre Konnektivität einer Potenzgesetzverteilung folgt (die meisten Knoten haben nur wenige Verbindungen, während eine kleine Anzahl von Knoten – Hubs – viele haben)

—> das bedeutet, dass die Anzahl der Proteine nicht mit der Komplexität des Netzwerks korreliert = nicht skalierbar

-Bevorzugte Anbindung erhöht die Konnektivität bereits gut verbundener Knoten.

-Genverdopplung + Divergenz erzeugen natürlicherweise Hubs.

-Die Evolution begünstigt Robustheit, die skalenfreie Netzwerke bieten.

-Kostenbeschränkungen machen spärliche, aber hubbasierte Architekturen effizient.

-Lokale evolutionäre Regeln erzeugen globale Potenzgesetze ohne zentrale Steuerung

a) Composition:

-homo oligomers= identical interacting partners

(Heart-shock protein)

-hetero oligomers= non identical interacting partners

(Hemoglobine)

b) Affinity:

-obligate= unstable in vivo (Histones)

-non obligate= components can exist independently (RNA)

c) Lifetime:

-Transient (Ubiquitin)

-Permanent (ATP Synthase)

a) Zusammensetzung:

-homo Oligomere = identische interagierende Partner(Herz-Schockprotein)

-hetero Oligomere = nicht identische interagierende Partner(Hämoglobin)

b) Affinität:

-obligat = instabil in vivo (Histone)

-nicht obligat = Komponenten können unabhängig existieren (RNA)

c) Lebensdauer:

-Transient (Ubiquitin)

-Permanent (ATP-Synthase)

1) undirected:

2) directed

3) weighted

An adjacency matrix is a binary system to represent a graph using a square matrix

It tells you which nodes are connected and (if applicable) the weight or direction of each connection

-The adjacency matrix is only symmetric when the graph is undirected

Eine Adjazenzmatrix ist ein binäres System zur Darstellung eines Graphen mittels einer quadratischen Matrix.Sie zeigt an, welche Knoten verbunden sind und (falls zutreffend) das Gewicht oder die Richtung jeder Verbindung.

- Die Adjazenzmatrix ist nur symmetrisch, wenn der Graph ungerichtet ist.

a) high closeness centrality= how central a node is in a network

b) high betweeness centrality= many shortest paths

c) high degree centrality= the node with the most edges

a) hohe Näherungszentralität = wie zentral ein Knoten in einem Netzwerk ist

b) hohe Zwischenzentralität = viele kürzeste Wege

c) hohe Knotengradzentralität = der Knoten mit den meisten Kanten

-revealing disease mechanisms

-guiding drug discovery

-faciliate multi-omics integration

- aufdecken verschiedener Krankheitsmechanismen

- unterstützende Funktion in der Wirkstoffforschung

- erleichtert die Integration von Multi-Omics

In bioinformatics, “guilt by association” is a functional inference principle used to predict the role of an unknown gene or protein based on its associations with known ones

In der Bioinformatik ist „Schuld durch Assoziation“ ein Prinzip der funktionellen Inferenz, das verwendet wird, um die Rolle eines unbekannten Gens oder Proteins basierend auf seinen Assoziationen mit bekannten vorherzusagen.

Edges are shuffled such that every vertex maintains it´s degree

—> no bias towards hubs

used to test whether patterns you observe in a biological network are real or could simply arise by chance because of the network’s degree distribution.

This is crucial because biological networks are highly heterogeneous (often scale-free)

Kanten werden so gemischt, dass jeder Knoten seinen Grad beibehält—> keine Verzerrung zugunsten von Hubs

wird verwendet, um zu prüfen, ob Muster, die man in einem biologischen Netzwerk beobachtet, real sind oder einfach durch Zufall aufgrund der Gradverteilung des Netzwerks entstehen könnten.

Das ist entscheidend, da biologische Netzwerke hochgradig heterogen (oft skalenfrei) sind