MCODE,Molecular COmplex Detection
发现PPI网络中紧密联系的regeions，这些区域可能代表分子复合体。
根据给定的参数，分离dense regions，这相对其他cluster方法有其优点，因为其他的方法很少考虑网络的其余部分。总之MCODE可以发现PPI网络中相互作用的Dense region。这主要基于connection data，其中很多已经被证实是complex。这个函数不会被因高通量技术带来高假阳性影响。分子复合体预测很重要，因为这可以提供功能注释的另一个水平。因为sub-units of a molecular complex通常情况下，功能代表同一个生物目标分子，对一个未知pro的预测（作为复合体一部分），对这个pro的注释也增加了可信度。
MCODE也可以对感兴趣的dense区域进行提取并可视化，这点很重要，因为现有的工具比如spring不能对大的网络进行操作（spring不能大于2000个nodes）。
- vertex weighting ，vertex就是node
- complex prediction
- 可选择性地加工以过滤或添加pro（基于一定标准）
MCODE使用vertex weighting计算，这是基于clustering coefficient（CI）,它计算一个顶点的neighbor cliquishness
Ci=2n/ki(ki-1)其中n是neighbor中edge的数目，Ki是顶点i的neighbor的顶点size
图的density G-（V,E）,|V|=vertex的个数，|E|=edge的个数
如果一个graph有自身形成的loop，那么|E|max=|V|(|V|+1)/2
如果一个graph无，loop则，|E|max=|V|(|V|-1)/2
Density of G， Dg=|E|/|E|max，在[0,1]区间
网友评论