Modellazione delle Reti di Interazione Proteina-Proteina

Protein-Protein Interactions (PPI) refer to the physical interaction between two or more protein molecules that results in the formation of assemblies which carry out specific functions in specific subcellular locations. The accrual of knowledge on PPIs is crucial for understanding biological pathways, cellular functions and disease mechanisms, and is pivotal in drug discovery. However, despite recent advancements in the field through ’in silico’ simulation, as well as the continued effort made by scientists on the ’in vitro’ front, the vast majority of the human interactome remains to be uncovered. This thesis aims to analyze two computational approaches applied to modeling an undirected and unweighted human PPI network. Specifically, it highlights the the structural inference capacities of an Exponential Random Graph Model (ERGM) alongside the predictive performance of a Graph Neural Network (GNN). The results clearly show that the ERG model's main strength is its ability to quantify the effect of certain network motifs in the stochastic process that governs network generation, while the GNN shines in efficiency when processing larger graphs and in its capacity to model patterns in the underlying data that aren't necessarily linked to a predetermined structural hypothesis. The conjoint use of these models therefore provides a more robust framework for discovering new PPIs.

Le interazioni proteina-proteina (PPI) si riferiscono all'interazione fisica tra due o più molecole di proteine che risulta nella formazione di complessi con ruoli e localizzazioni subcellulari specifiche. Il continuo ampliamento dell'interattoma è di vitale importanza per quanto riguarda l'ottimizzazione della comprensione dei pathway biologici, delle funzioni cellulari e in particolare per la scoperta di nuovi farmaci. Tuttavia, nonostante i numerosi miglioramenti 'in silico' degli algoritmi di predizione PPI e la continua ricerca svolta 'in vivo', una mappatura completa dell'interattoma umano è ancora mancante. Questa tesi si pone l'obiettivo di analizzare due metodi computazionali per la modellazione di una rete PPI umana non direzionata e non pesata. Nello specifico, mira ad evidenziare le complementarietà tra la capacità inferenziale dell'Exponential Random Graph Model (ERGM) e la performance predittiva del Graph Neural Network. I risultati ottenuti evidenziano infatti la capacità degli ERGM nel quantificare il ruolo di alcune sub-configurazioni di rete, denominate 'motivi strutturali', nel processo stocastico generatore della rete PPI, mentre il GNN è più efficiente nel processare reti di dimensione più ampia e nell'individuare pattern latenti nei dati non legati ad ipotesi strutturali prestabilite. L'utilizzo di entrambe le metodologie permette una modellazione e predizione più robusta delle reti PPI.