Modelo híbrido de rede de associação proteica

Abstract

Dado o grande número de proteínas presentes em um organismo, as associações funcionais entre elas são estudadas através da teoria de redes, com intuito de verificar suas propriedades estatísticas. Diversos modelos de crescimento têm sido propostos para representar as redes de associação proteica. Estes buscam principalmente reproduzir uma distribuição de grau na forma de lei de potência. Entretando, a distribuição de grau das redes de associação proteica não é uma lei de potência pura e outras medidas da rede, como alta clusterização e assortatividade, também não são adequadamente reproduzidas por estes modelos. Neste trabalho procuramos reproduzir as propriedades topológicas das redes de associação proteica. Propomos um modelo baseado em premissas biológicas que considera como fundamental a topologia local da rede para determinar a regra de crescimento. Este modelo reproduz as principais medidas das redes de associação proteica, e a investigação da proposta topológica local pode contribuir para a compreensão biológica dos mecanismos de crescimento do genoma.

Given the large number of proteins in a living being, the functional associations between them are studied as networks, in order to verify its statistical properties. Many models of growing networks have been proposed to represent the protein association networks. These models try to reproduce a power law degree distribution. However, the degree distribution of the protein association networks are not a pure power law, and other measures, such as high clustering coefficient and assortativity, are not correctly reproduced by these models. In this work we try to reproduce the topological properties of protein association networks. We propose a biologicaly based model which considers the local network topology as a fundamental ingredient in determining the network growth rule. This model reproduces the essential measures of the protein association networks and the investigation of the local topology proposition may contribute to the biological understanding of the genome growth mechanisms.