点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。摘要蛋白质相互作用PPI网络是细胞功能调控的核心架构系统解析PPI对于理解生物过程、疾病机制和药物靶点发现至关重要。本文系统阐述蛋白质相互作用研究的三大主流技术亲和纯化偶联质谱AP-MS和酵母双杂交Y2H的实验原理、流程、优缺点及应用案例深入介绍基于计算方法共表达、基因融合、系统发育谱、结构信息、机器学习的PPI预测策略对比实验与计算方法的互补性探讨如何整合多源数据构建高质量相互作用网络。通过案例分析展示PPI网络在信号通路解析、疾病基因发现和药物重定位中的应用并展望单细胞PPI、空间互作组及深度学习等前沿方向。关键词蛋白质相互作用亲和纯化质谱酵母双杂交计算预测网络生物学互作组1. 引言蛋白质是生命活动的主要执行者而绝大多数蛋白质并非孤立工作而是通过与其他蛋白质形成复合物或瞬时相互作用来执行功能。蛋白质-蛋白质相互作用Protein-Protein Interaction, PPI构成了细胞信号转导、代谢调控、基因表达、细胞周期等几乎所有生物过程的分子基础。解析PPI网络interactome对于揭示基因功能、理解疾病机制、发现药物靶点具有深远意义。系统绘制PPI网络需要高通量实验技术和计算方法相结合。实验方法主要包括亲和纯化-质谱Affinity Purification-Mass Spectrometry, AP-MS通过标签蛋白捕获相互作用复合物经质谱鉴定互作蛋白。酵母双杂交Yeast Two-Hybrid, Y2H在酵母细胞中检测两个蛋白质的直接相互作用。这些实验方法各有侧重但都存在假阳性和假阴性问题因此需要计算方法进行预测和验证。计算预测方法基于基因组学、结构生物学和机器学习从序列、结构、进化等角度推断潜在相互作用。本文将从实验原理、数据特点、计算模型到整合应用系统介绍PPI网络构建的技术体系为研究者提供选择和使用这些方法的指南。2. 亲和纯化-质谱AP-MS2.1 原理与实验流程AP-MS利用亲和纯化技术捕获“诱饵”蛋白质及其相互作用伙伴然后通过液相色谱-串联质谱LC-MS/MS鉴定共纯化的蛋白质。核心步骤诱饵蛋白表达将目标蛋白与亲和标签如Flag、HA、GFP、生物素化标签融合在细胞如HEK293、酵母中稳定或瞬时表达。细胞裂解与亲和纯化使用特异性抗体或亲和树脂如抗Flag磁珠、链亲和素捕获诱饵蛋白复合物。洗涤与洗脱去除非特异性结合蛋白洗脱纯化产物。蛋白质酶切将洗脱物用胰蛋白酶等酶解为肽段。LC-MS/MS分析鉴定肽段通过数据库搜索确定蛋白质组成。数据分析扣除背景如空载体或IgG对照通过显著性分析如SAINT、COMPASS筛选高置信度互作蛋白。2.2 技术变体串联亲和纯化TAP使用双标签如Protein A-Calmodulin进行两次纯化显著降低背景适用于酵母等系统。BioIDProximity-Dependent Biotinylation Identification将诱饵与生物素连接酶BirA*融合在活细胞中标记邻近蛋白可捕获瞬时或弱相互作用尤其适合分析不可溶复合物。APEX利用抗坏血酸过氧化物酶原位标记邻近蛋白。2.3 优点与局限优点可在接近生理条件下捕获复合物保留天然构象。可检测直接和间接相互作用获得复合物组成信息。适用于多种物种和细胞类型通量较高。局限需要特异性抗体或标签可能影响蛋白表达或定位。背景非特异性结合较多需严格对照和统计过滤。难以区分直接与间接相互作用。瞬时或弱相互作用可能丢失。2.4 数据分析与统计AP-MS数据的核心是区分真阳性互作与背景噪声。常用方法SAINTSignificance Analysis of INTeractome基于贝叶斯模型利用对照样本计算每个互作蛋白的置信度得分。COMPASS通过比较诱饵与对照的肽段计数计算统计显著性。归一化与过滤常用“共纯化指数”如归一化光谱计数和倍数变化筛选。2.5 典型案例人类蛋白质复合物图谱Huttlin等人2015, 2017通过AP-MS分析数千个诱饵蛋白构建了包含超过12,000个相互作用的全局人类蛋白质复合物网络揭示了大量未注释的复合物和功能关联。3. 酵母双杂交Y2H3.1 原理Y2H基于转录因子的模块化结构DNA结合域BD和转录激活域AD将两个待测蛋白分别与BD和AD融合。当两个蛋白相互作用时BD和AD在空间上靠近激活报告基因如HIS3、LacZ的表达通过营养缺陷筛选或显色反应检测。3.2 变体与扩展文库筛选将诱饵与BD融合与随机cDNA文库AD融合共转化酵母筛选互作蛋白。反向Y2H检测蛋白相互作用的破坏用于研究突变影响。哺乳动物双杂交MAPPIT基于细胞因子受体信号传导用于哺乳动物细胞。分拆泛素系统split-ubiquitin检测膜蛋白相互作用。3.3 优点与局限优点直接检测二元相互作用不依赖纯化。通量高可进行全基因组水平筛选。遗传系统成熟成本相对较低。局限假阳性率高自激活、非特异性转录。局限于酵母系统可能不反映哺乳动物细胞的真实环境如翻译后修饰缺失。仅检测直接相互作用可能遗漏依赖辅助因子的互作。不适合检测膜蛋白需专门变体。3.4 质量控制与验证严格对照使用空载体、不相关诱饵排除自激活。独立验证阳性互作需通过Co-IP、GST pull-down等正交方法验证。假阳性过滤利用多个数据集一致性或计算方法如共表达、功能注释筛选高可信互作。3.5 典型案例人类蛋白质相互作用组图谱Vidal实验室通过Y2H构建了人类蛋白质相互作用网络如HI-Ⅱ-14包含约14,000个互作对为理解人类疾病基因网络奠定了基础。4. 计算方法预测PPI实验方法受限于通量、成本和假阳性计算方法可在全基因组范围内预测潜在相互作用为实验提供候选。4.1 基于基因组信息4.1.1 共表达Co-expression在相同条件下共表达的基因更可能编码相互作用的蛋白质。可通过RNA-seq、微阵列数据计算基因表达相关性Pearson、Spearman利用互信息或相关网络推断。局限共表达不等于直接互作易受调控网络影响。4.1.2 系统发育谱Phylogenetic Profile两个蛋白质在进化过程中同时出现或丢失提示它们可能在功能上相关如复合物亚基。通过分析同源蛋白在多个物种中的存在/缺失模式计算相似性如Jaccard系数、互信息。常用于预测保守复合物。4.1.3 基因融合Gene Fusion在某些物种中两个蛋白质在另一物种中融合为单一多肽Rosetta Stone提示它们可能相互作用。通过检测跨物种的基因融合事件可预测互作。4.1.4 基因邻接Gene Neighbor在细菌等原核生物中功能相关的基因常共转录操纵子。共定位的同源基因可能编码相互作用蛋白。4.2 基于结构信息4.2.1 结构域-结构域相互作用已知蛋白质结构域如SH3、PDZ的相互作用模式可用于预测含有这些结构域的蛋白互作。利用域互作数据库如DOMINE、3DID进行推断。4.2.2 结构建模通过同源建模或分子对接如ZDOCK、RosettaDock预测三维结构水平的相互作用。精度高但计算量大适用于已知结构的蛋白或同源物。4.2.3 界面残基预测利用机器学习从序列预测相互作用界面再结合结构信息推断互作。4.3 基于文本挖掘从文献摘要中提取共现关系通过自然语言处理识别蛋白质互作。工具STRING、iHOP等整合了文本挖掘信息。4.4 基于机器学习与深度学习4.4.1 特征工程将蛋白质序列氨基酸组成、进化信息、理化性质、基因表达、GO注释、结构域等转化为特征向量使用支持向量机SVM、随机森林RF等分类器预测互作。4.4.2 深度学习图神经网络GNN将蛋白质作为节点现有互作作为边通过学习节点嵌入预测缺失边。基于序列的深度模型使用卷积神经网络CNN从序列中提取局部特征结合注意力机制预测互作。多模态融合整合序列、结构、表达、定位等多维度信息提高预测准确性。4.5 代表性数据库与工具STRING整合实验、共表达、文本挖掘等提供置信度打分和可视化。IntAct实验验证的PPI数据库。BioGRID涵盖AP-MS、Y2H等实验数据。HuRI人类参考互作组。DIPDatabase of Interacting Proteins手工注释的互作数据库。IIDIntegrated Interactions Database整合多物种互作数据。5. 实验与计算方法的整合5.1 互补性实验方法AP-MS、Y2H提供高置信度但覆盖不全的互作对。计算方法可预测实验尚未覆盖的互作但需要实验验证。整合多源数据如STRING可显著提升网络质量通过权重评分结合证据链。5.2 策略交集取多个实验或计算方法共有的互作对提高可信度。互补用实验数据训练机器学习模型再用模型预测新互作。功能验证对计算预测的互作进行靶向实验验证如Co-IP、PLA。5.3 网络构建示例利用STRING数据库输入一组差异表达基因提取高置信度score0.7互作对用Cytoscape可视化并进行功能模块分析。6. 蛋白质相互作用网络分析6.1 网络拓扑属性度Degree节点连接的边数反映蛋白在网络的中心性。介数中心性节点在最短路径中的重要性。模块化Modularity网络中的紧密连接子图功能模块。枢纽蛋白Hub高度连接的蛋白往往为必需基因或核心调控节点。6.2 功能模块发现使用聚类算法如MCL、Walktrap识别网络中的模块每个模块富集特定功能如细胞周期、代谢途径。6.3 网络可视化Cytoscape最广泛使用的PPI网络可视化平台支持插件如CytoHubba、MCODE。Gephi适合大规模网络布局。igraphR/Python库可进行统计分析。6.4 应用案例疾病基因发现将疾病基因映射到PPI网络通过“网络邻居”发现新候选基因如自闭症、癌症相关基因。药物靶点识别靶向枢纽蛋白或模块特异性蛋白预测药物重定位。信号通路解析通过富集分析识别与表型相关的功能模块。7. 未来趋势7.1 单细胞PPI随着单细胞蛋白质组学发展未来可在单细胞水平解析蛋白质互作网络揭示细胞间异质性。7.2 空间互作组结合空间蛋白质组学如激光显微切割和邻近标记BioID绘制组织原位PPI图谱。7.3 动态网络结合时间序列数据如药物处理、发育过程构建动态PPI网络捕捉瞬时互作和信号流。7.4 深度学习与大规模预测利用Transformer等模型处理大规模多组学数据端到端预测互作并整合结构信息。7.5 结构解析与冷冻电镜冷冻电镜cryo-EM分辨率不断提高将提供更多高精度复合物结构为计算预测提供模板。8. 结语蛋白质相互作用网络的系统解析需要实验与计算方法的深度融合。AP-MS和Y2H分别从复合物和二元互作层面提供实验证据而计算方法通过整合多组学和机器学习预测互作拓展了网络的覆盖范围。构建高质量PPI网络不仅有助于理解细胞功能的基本原理也为疾病机制研究和药物开发提供了重要资源。未来随着单细胞、空间组学和人工智能技术的突破我们有望绘制出更完整、更动态的蛋白质相互作用图谱。参考文献Huttlin, E. L., et al. (2015). The BioPlex Network: A Systematic Exploration of the Human Interactome.Cell, 162(2), 425-440.Huttlin, E. L., et al. (2017). Architecture of the human interactome defines protein communities and disease networks.Nature, 545(7655), 505-509.Luck, K., et al. (2020). A reference map of the human binary protein interactome.Nature, 580(7803), 402-408.Szklarczyk, D., et al. (2021). The STRING database in 2021: customizable protein–protein networks, and functional characterization of user-uploaded gene/measurement sets.Nucleic Acids Research, 49(D1), D605-D612.Bader, G. D., Hogue, C. W. (2003). An automated method for finding molecular complexes in large protein interaction networks.BMC Bioinformatics, 4(1), 2.Shannon, P., et al. (2003). Cytoscape: a software environment for integrated models of biomolecular interaction networks.Genome Research, 13(11), 2498-2504.点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。
蛋白质相互作用网络：亲和纯化质谱、酵母双杂交与计算方法预测
点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。摘要蛋白质相互作用PPI网络是细胞功能调控的核心架构系统解析PPI对于理解生物过程、疾病机制和药物靶点发现至关重要。本文系统阐述蛋白质相互作用研究的三大主流技术亲和纯化偶联质谱AP-MS和酵母双杂交Y2H的实验原理、流程、优缺点及应用案例深入介绍基于计算方法共表达、基因融合、系统发育谱、结构信息、机器学习的PPI预测策略对比实验与计算方法的互补性探讨如何整合多源数据构建高质量相互作用网络。通过案例分析展示PPI网络在信号通路解析、疾病基因发现和药物重定位中的应用并展望单细胞PPI、空间互作组及深度学习等前沿方向。关键词蛋白质相互作用亲和纯化质谱酵母双杂交计算预测网络生物学互作组1. 引言蛋白质是生命活动的主要执行者而绝大多数蛋白质并非孤立工作而是通过与其他蛋白质形成复合物或瞬时相互作用来执行功能。蛋白质-蛋白质相互作用Protein-Protein Interaction, PPI构成了细胞信号转导、代谢调控、基因表达、细胞周期等几乎所有生物过程的分子基础。解析PPI网络interactome对于揭示基因功能、理解疾病机制、发现药物靶点具有深远意义。系统绘制PPI网络需要高通量实验技术和计算方法相结合。实验方法主要包括亲和纯化-质谱Affinity Purification-Mass Spectrometry, AP-MS通过标签蛋白捕获相互作用复合物经质谱鉴定互作蛋白。酵母双杂交Yeast Two-Hybrid, Y2H在酵母细胞中检测两个蛋白质的直接相互作用。这些实验方法各有侧重但都存在假阳性和假阴性问题因此需要计算方法进行预测和验证。计算预测方法基于基因组学、结构生物学和机器学习从序列、结构、进化等角度推断潜在相互作用。本文将从实验原理、数据特点、计算模型到整合应用系统介绍PPI网络构建的技术体系为研究者提供选择和使用这些方法的指南。2. 亲和纯化-质谱AP-MS2.1 原理与实验流程AP-MS利用亲和纯化技术捕获“诱饵”蛋白质及其相互作用伙伴然后通过液相色谱-串联质谱LC-MS/MS鉴定共纯化的蛋白质。核心步骤诱饵蛋白表达将目标蛋白与亲和标签如Flag、HA、GFP、生物素化标签融合在细胞如HEK293、酵母中稳定或瞬时表达。细胞裂解与亲和纯化使用特异性抗体或亲和树脂如抗Flag磁珠、链亲和素捕获诱饵蛋白复合物。洗涤与洗脱去除非特异性结合蛋白洗脱纯化产物。蛋白质酶切将洗脱物用胰蛋白酶等酶解为肽段。LC-MS/MS分析鉴定肽段通过数据库搜索确定蛋白质组成。数据分析扣除背景如空载体或IgG对照通过显著性分析如SAINT、COMPASS筛选高置信度互作蛋白。2.2 技术变体串联亲和纯化TAP使用双标签如Protein A-Calmodulin进行两次纯化显著降低背景适用于酵母等系统。BioIDProximity-Dependent Biotinylation Identification将诱饵与生物素连接酶BirA*融合在活细胞中标记邻近蛋白可捕获瞬时或弱相互作用尤其适合分析不可溶复合物。APEX利用抗坏血酸过氧化物酶原位标记邻近蛋白。2.3 优点与局限优点可在接近生理条件下捕获复合物保留天然构象。可检测直接和间接相互作用获得复合物组成信息。适用于多种物种和细胞类型通量较高。局限需要特异性抗体或标签可能影响蛋白表达或定位。背景非特异性结合较多需严格对照和统计过滤。难以区分直接与间接相互作用。瞬时或弱相互作用可能丢失。2.4 数据分析与统计AP-MS数据的核心是区分真阳性互作与背景噪声。常用方法SAINTSignificance Analysis of INTeractome基于贝叶斯模型利用对照样本计算每个互作蛋白的置信度得分。COMPASS通过比较诱饵与对照的肽段计数计算统计显著性。归一化与过滤常用“共纯化指数”如归一化光谱计数和倍数变化筛选。2.5 典型案例人类蛋白质复合物图谱Huttlin等人2015, 2017通过AP-MS分析数千个诱饵蛋白构建了包含超过12,000个相互作用的全局人类蛋白质复合物网络揭示了大量未注释的复合物和功能关联。3. 酵母双杂交Y2H3.1 原理Y2H基于转录因子的模块化结构DNA结合域BD和转录激活域AD将两个待测蛋白分别与BD和AD融合。当两个蛋白相互作用时BD和AD在空间上靠近激活报告基因如HIS3、LacZ的表达通过营养缺陷筛选或显色反应检测。3.2 变体与扩展文库筛选将诱饵与BD融合与随机cDNA文库AD融合共转化酵母筛选互作蛋白。反向Y2H检测蛋白相互作用的破坏用于研究突变影响。哺乳动物双杂交MAPPIT基于细胞因子受体信号传导用于哺乳动物细胞。分拆泛素系统split-ubiquitin检测膜蛋白相互作用。3.3 优点与局限优点直接检测二元相互作用不依赖纯化。通量高可进行全基因组水平筛选。遗传系统成熟成本相对较低。局限假阳性率高自激活、非特异性转录。局限于酵母系统可能不反映哺乳动物细胞的真实环境如翻译后修饰缺失。仅检测直接相互作用可能遗漏依赖辅助因子的互作。不适合检测膜蛋白需专门变体。3.4 质量控制与验证严格对照使用空载体、不相关诱饵排除自激活。独立验证阳性互作需通过Co-IP、GST pull-down等正交方法验证。假阳性过滤利用多个数据集一致性或计算方法如共表达、功能注释筛选高可信互作。3.5 典型案例人类蛋白质相互作用组图谱Vidal实验室通过Y2H构建了人类蛋白质相互作用网络如HI-Ⅱ-14包含约14,000个互作对为理解人类疾病基因网络奠定了基础。4. 计算方法预测PPI实验方法受限于通量、成本和假阳性计算方法可在全基因组范围内预测潜在相互作用为实验提供候选。4.1 基于基因组信息4.1.1 共表达Co-expression在相同条件下共表达的基因更可能编码相互作用的蛋白质。可通过RNA-seq、微阵列数据计算基因表达相关性Pearson、Spearman利用互信息或相关网络推断。局限共表达不等于直接互作易受调控网络影响。4.1.2 系统发育谱Phylogenetic Profile两个蛋白质在进化过程中同时出现或丢失提示它们可能在功能上相关如复合物亚基。通过分析同源蛋白在多个物种中的存在/缺失模式计算相似性如Jaccard系数、互信息。常用于预测保守复合物。4.1.3 基因融合Gene Fusion在某些物种中两个蛋白质在另一物种中融合为单一多肽Rosetta Stone提示它们可能相互作用。通过检测跨物种的基因融合事件可预测互作。4.1.4 基因邻接Gene Neighbor在细菌等原核生物中功能相关的基因常共转录操纵子。共定位的同源基因可能编码相互作用蛋白。4.2 基于结构信息4.2.1 结构域-结构域相互作用已知蛋白质结构域如SH3、PDZ的相互作用模式可用于预测含有这些结构域的蛋白互作。利用域互作数据库如DOMINE、3DID进行推断。4.2.2 结构建模通过同源建模或分子对接如ZDOCK、RosettaDock预测三维结构水平的相互作用。精度高但计算量大适用于已知结构的蛋白或同源物。4.2.3 界面残基预测利用机器学习从序列预测相互作用界面再结合结构信息推断互作。4.3 基于文本挖掘从文献摘要中提取共现关系通过自然语言处理识别蛋白质互作。工具STRING、iHOP等整合了文本挖掘信息。4.4 基于机器学习与深度学习4.4.1 特征工程将蛋白质序列氨基酸组成、进化信息、理化性质、基因表达、GO注释、结构域等转化为特征向量使用支持向量机SVM、随机森林RF等分类器预测互作。4.4.2 深度学习图神经网络GNN将蛋白质作为节点现有互作作为边通过学习节点嵌入预测缺失边。基于序列的深度模型使用卷积神经网络CNN从序列中提取局部特征结合注意力机制预测互作。多模态融合整合序列、结构、表达、定位等多维度信息提高预测准确性。4.5 代表性数据库与工具STRING整合实验、共表达、文本挖掘等提供置信度打分和可视化。IntAct实验验证的PPI数据库。BioGRID涵盖AP-MS、Y2H等实验数据。HuRI人类参考互作组。DIPDatabase of Interacting Proteins手工注释的互作数据库。IIDIntegrated Interactions Database整合多物种互作数据。5. 实验与计算方法的整合5.1 互补性实验方法AP-MS、Y2H提供高置信度但覆盖不全的互作对。计算方法可预测实验尚未覆盖的互作但需要实验验证。整合多源数据如STRING可显著提升网络质量通过权重评分结合证据链。5.2 策略交集取多个实验或计算方法共有的互作对提高可信度。互补用实验数据训练机器学习模型再用模型预测新互作。功能验证对计算预测的互作进行靶向实验验证如Co-IP、PLA。5.3 网络构建示例利用STRING数据库输入一组差异表达基因提取高置信度score0.7互作对用Cytoscape可视化并进行功能模块分析。6. 蛋白质相互作用网络分析6.1 网络拓扑属性度Degree节点连接的边数反映蛋白在网络的中心性。介数中心性节点在最短路径中的重要性。模块化Modularity网络中的紧密连接子图功能模块。枢纽蛋白Hub高度连接的蛋白往往为必需基因或核心调控节点。6.2 功能模块发现使用聚类算法如MCL、Walktrap识别网络中的模块每个模块富集特定功能如细胞周期、代谢途径。6.3 网络可视化Cytoscape最广泛使用的PPI网络可视化平台支持插件如CytoHubba、MCODE。Gephi适合大规模网络布局。igraphR/Python库可进行统计分析。6.4 应用案例疾病基因发现将疾病基因映射到PPI网络通过“网络邻居”发现新候选基因如自闭症、癌症相关基因。药物靶点识别靶向枢纽蛋白或模块特异性蛋白预测药物重定位。信号通路解析通过富集分析识别与表型相关的功能模块。7. 未来趋势7.1 单细胞PPI随着单细胞蛋白质组学发展未来可在单细胞水平解析蛋白质互作网络揭示细胞间异质性。7.2 空间互作组结合空间蛋白质组学如激光显微切割和邻近标记BioID绘制组织原位PPI图谱。7.3 动态网络结合时间序列数据如药物处理、发育过程构建动态PPI网络捕捉瞬时互作和信号流。7.4 深度学习与大规模预测利用Transformer等模型处理大规模多组学数据端到端预测互作并整合结构信息。7.5 结构解析与冷冻电镜冷冻电镜cryo-EM分辨率不断提高将提供更多高精度复合物结构为计算预测提供模板。8. 结语蛋白质相互作用网络的系统解析需要实验与计算方法的深度融合。AP-MS和Y2H分别从复合物和二元互作层面提供实验证据而计算方法通过整合多组学和机器学习预测互作拓展了网络的覆盖范围。构建高质量PPI网络不仅有助于理解细胞功能的基本原理也为疾病机制研究和药物开发提供了重要资源。未来随着单细胞、空间组学和人工智能技术的突破我们有望绘制出更完整、更动态的蛋白质相互作用图谱。参考文献Huttlin, E. L., et al. (2015). The BioPlex Network: A Systematic Exploration of the Human Interactome.Cell, 162(2), 425-440.Huttlin, E. L., et al. (2017). Architecture of the human interactome defines protein communities and disease networks.Nature, 545(7655), 505-509.Luck, K., et al. (2020). A reference map of the human binary protein interactome.Nature, 580(7803), 402-408.Szklarczyk, D., et al. (2021). The STRING database in 2021: customizable protein–protein networks, and functional characterization of user-uploaded gene/measurement sets.Nucleic Acids Research, 49(D1), D605-D612.Bader, G. D., Hogue, C. W. (2003). An automated method for finding molecular complexes in large protein interaction networks.BMC Bioinformatics, 4(1), 2.Shannon, P., et al. (2003). Cytoscape: a software environment for integrated models of biomolecular interaction networks.Genome Research, 13(11), 2498-2504.点击“AladdinEdu你的AI学习实践工作坊”注册即送-H卡级别算力沉浸式云原生集成开发环境80G大显存多卡并行按量弹性计费教育用户更享超低价。
