그래플릿

수학에서 그래플릿은 ^[1]^[2]그래프에서 유도된 하위 그래프 동형성 클래스이다. 즉, 두 그래플릿 발생은 동형인 반면, 두 그래플릿은 비동형성이다.그래플릿은 통계적 의미에서 네트워크 모티브와 다르며, 네트워크 모티브는 일부 랜덤 그래프 늘 모델과 관련하여 과잉 또는 과소 표현된 그래플릿으로 정의된다.

Graphlet 기반 네트워크 속성

상대 그래플릿 주파수 거리

RGF-distance는 2개의 ^[1]네트워크에 있는 모든 3~5 노드그래플릿의 출현 빈도를 비교합니다.N(G)을 네트워크 G에서 $유형$ i({ $style$ i $})($ $i\in \{1,\ldots ,29\}$ $i\in \{1,\ldots ,29\}$ { $i\in \{1,\ldots ,29\}$ , $i\in \{1,\ldots ,29\}$ $i\in \{1,\ldots ,29\}$ $}$ { $style$ i $\$ $in$ $\1,\ldots,29$ 의 그래플릿 수로 하고_i $T(G)=\sum _{i=1}^{29}N_{i}(G)$ $T(G)=\sum _{i=1}^{29}N_{i}(G)$ $T(G)=\sum _{i=1}^{29}N_{i}(G)$ $T(G)=\sum _{i=1}^{29}N_{i}(G)$ 1 \ $display tyle$ T $(G$ ) = $1 =$ 1 \ $sum$ ）。두 그래프 사이의 "유사성"은 총 노드 또는 가장자리 수와 독립적이어야 하며 그래플렛의 상대 주파수 차이에만 의존해야 한다.따라서 두 그래프 G와 H 사이의 상대 그래플릿 주파수 거리 D(G, H)는 다음과 같이 정의됩니다.
$D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ( $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ , $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ) $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ i $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ F $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ( $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ) - $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ i ( $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ) { $displaystyle$ D ( $G$ , H ) = \ $sum$ _ { i $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ = $1$ }^ $29$ } F _ { $i$ （ G $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ） - F $_$ { i } ( $H$ ) $D(G,H)=\sum _{i=1}^{29}|F_{i}(G)-F_{i}(H)|$ ,
$F_{i}(G)=-\log(N_{i}(G)/T(G))$ 서 $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ( $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ) $F_{i}(G)=-\log(N_{i}(G)/T(G))$ - $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ( $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ( $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ) / $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ( $F_{i}(G)=-\log(N_{i}(G)/T(G))$ ) $F_{i}(G)=-\log(N_{i}(G)/T(G))$ { $displaystyle F_{i}$ (G) = -\ $log (N_{i}(G)/T(G)}$ ) $F_{i}(G)=-\log(N_{i}(G)/T(G))$ 。그래플릿 주파수의 로그는 거리에 따라 완전히 차이가 나지 않아야 합니다.

Graphlet 도수 분포 합의

GDD 합의는 그래플렛 도분포(GDD)의 스펙트럼에 대한 도분포의 개념을 다음과 ^[2]같이 일반화한다.도 분포는 그래프 G의 도수 k의 노드 수, 즉 k의 각 값에 대해 k개의 가장자리를 "터치"하는 노드 수를 측정합니다.2개의 노드를 가진 그래플릿은 엣지뿐입니다.GDD는 다른 그래플릿에 대한 도수 분포를 일반화합니다.각 2-5노드 그래플릿_i $i=0,1,...,29$ , $i=0,1,...,29$ $= 0, 1$ , $i=0,1,...,29$ $29(예$ : $삼각형$ 또는 정사각형 $i=0,1,...,29$ 에 대해 특정 노드에서 k개의 그래플릿_i G를 "접근"하는 노드의 수를 측정합니다.그래플릿이 "터치"되는 노드는 예를 들어 엔드 노드 또는 미들 노드의 3노드 경로와 같이 "터치" 노드를 구분할 수 있기 때문에 위상적으로 관련이 있습니다.이것은 자기 형태 궤도(또는 간결성을 위해 궤도)로 요약된다. 그래플릿의 노드 사이의 "대칭성"을 고려함으로써 모든 2-5 노드 그래플릿에 73개의 다른 궤도가 있다(자세한 내용은 [Prjulj, 2007]^[2] 참조).

각 궤도 j에 대해, j GDD^th_G^j, d(k), 즉 g의 노드 수 분포를 j k번 궤도에서 대응하는 그래플릿에 "터치"해야 한다.로 SGj(k)=진동계 측 Gj(k)k{\displaystyle S_{G}(k)=ᆰ^ᆱ(k)}{k}분명히, 그 학위 분포는 0GDD.dGj(k)}}그리고 나서 그것의 총 면적 TGj)∑ k=1∞ SGj(k){\displays에 관해서 정상화시킨다는 GDD에서 더 큰도의 공헌 감소로 재조정이다.t $N_{G}^{j}(k)={\frac {S_{G}^{j}(k)}{T_{G}^{j}}}$ T_ ${G}^{j}=\sum$ _ ${k=1}^{\infty }S_{G}^{$ $N_{G}^{j}(k)={\frac {S_{G}^{j}(k)}{T_{G}^{j}}}$ }(k $)$ $N_{G}^{j}(k)={\frac {S_{G}^{j}(k)}{T_{G}^{j}}}$ $N_{G}^{j}(k)={\frac {S_{G}^{j}(k)}{T_{G}^{j}}}$ j $N_{G}^{j}(k)={\frac {S_{G}^{j}(k)}{T_{G}^{j}}}$ ) { $Displaystyle N_{G}^{j}(k$ ) $= FRAC {Displaysty$ } ${T_{G}^{j$

j^th GDD 어그리먼트는 2개의 네트워크의 j GDD를 비교합니다^th.2개의 네트워크 G와 H 및 특정 궤도 j에 대해 정규화된^th J GDD 사이의 "거리^j" D(G, H)는 다음과 같습니다.
$D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ j ( $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ , $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ) $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ 2 $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ $k$ k $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ 1 $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ [ $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ( $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ k ) - $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ H j $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ( $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ) ] $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ) $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ 2 $D^{j}(G,H)={\frac {1}{\sqrt {2}}}\left(\sum _{k=1}^{\infty }[N_{G}^{j}(k)-N_{H}^{j}(k)]^{2}\right)^{\frac {1}{2}}$ ( 2 ) 1 ( $displaystyle$ D $^{j （$ G , H ） = $displayfrac {1} {\ sum$ { $k = 1$ }^{ $n$ } \ $infty ）$

이 거리는 0 ~1 입니다.여기서 0은 G와 H의 J GDD가 동일함을^th 나타내고 1은 JDD가^th 멀리 있음을 나타냅니다.다음으로^j D(G, H)를 반전시켜 jGDD 합의를^th 얻습니다.
$A^{j}(G,H)=1-D^{j}(G,H)$ $j\in \{0,1,\ldots ,72\}$ $A^{j}(G,H)=1-D^{j}(G,H)$ j ( $A^{j}(G,H)=1-D^{j}(G,H)$ , $A^{j}(G,H)=1-D^{j}(G,H)$ ) $A^{j}(G,H)=1-D^{j}(G,H)$ - $A^{j}(G,H)=1-D^{j}(G,H)$ j ( $A^{j}(G,H)=1-D^{j}(G,H)$ , $A^{j}(G,H)=1-D^{j}(G,H)$ ) { $displaystyle$ A^ { $j （ G$ , H ) = 1 - D $^$ { $j$ } ( $G$ , $j\in \{0,1,\ldots ,72\}$ ) $A^{j}(G,H)=1-D^{j}(G,H)$ G , H ）。 j $j\in \{0,1,\ldots ,72\}$ ∈ $j\in \{0,1,\ldots ,72\}$ , $j\in \{0,1,\ldots ,72\}$ 1 , $j\in \{0,1,\ldots ,72\}$ , 72 $}$ ( \ $displaystyle j$ \ $in$ \ 0 , $1$ , \ $ldots$ , 72 $j\in \{0,1,\ldots ,72\}$ } $j\in \{0,1,\ldots ,72\}$ ）。

두 네트워크 G와 H 사이의 총 GDD 합의는 모든 j에 대한 j^th GDD 합의의 산술 또는 기하학적 평균입니다.
$A_{arith}(G,H)={\frac {1}{73}}\sum _{j=0}^{72}A^{j}(G,H)$ $A^{j}(G,H$
그리고.
$A_{geo}(G,H)=\left(\prod _{j=0}^{72}A^{j}(G,H)\right)^{\frac {1}{73}}$ $A^{j}(G,H)\right)^{\frac {1}{73$
각각 다음과 같다.GDD 어그리먼트는 항상0 ~ 1 이 되도록 스케일링 됩니다.1 은, 이 속성에 관해서2 개의 네트워크가 같은 것을 의미합니다.(자세한 내용은 [Prjulj, 2007]^[2]을 참조하십시오).

Graphlet 정도 벡터(시그니처)와 시그니처의 유사점

이 메서드는 노드가 접하는 에지 수를 세는 노드의 정도를 2 ~5 노드의 ^[3]모든 그래플릿에 대해 특정 궤도에서 노드가 접하는 그래플릿 수를 세는 그래플릿 도 또는 그래플릿 도 시그니처의 벡터로 일반화합니다.73개의 좌표 벡터는 노드 근방의 토폴로지를 기술하고 4개의 거리까지 상호 연결성을 캡처하는 노드의 시그니처이다(자세한 내용은 [Milenkoviich and Prjulj, 2008]^[3] 참조).노드의 Graphlet 정도 시그니처는 인근 로컬토폴로지에 대해 매우 제약적인 척도를 제공하며, 두 노드의 시그니처를 비교하면 이들 사이의 로컬토폴로지의 유사성에 대해 매우 제약적인 척도를 제공합니다.

시그니처 유사도는^[3] 다음과 같이 계산됩니다.그래프 G의 노드 u에 대해 u는_i 그 시그니처 벡터의 i좌표를^th 나타내고, 즉 u는_i G의 궤도 i에 접촉하는 횟수이다.노드 u와 v의 i^th 궤도 사이의 거리_i D(u,v)는 다음과 같이 정의된다.
$D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ( $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ , $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ v ) $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ × log $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ( $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ i + $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ) - $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ( $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ + $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ) log $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ( $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ { $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ , $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ } + $D_{i}(u,v)=w_{i}\times {\frac {|\log(u_{i}+1)-\log(v_{i}+1)|}{\log(\max\{u_{i},v_{i}\}+2)}}$ ) { $display$ D $_$ { $i$ } ( $u$ , v ) = $w _$ { $i$ } \ $times$ { \ $frac$ { \ $log$ ( u _ { i $u$ _ { i } + $1 }$ } } - { $i$ }
여기서_i w는 궤도 사이의 의존성을 설명하는 궤도 i의 무게이다(자세한 내용은 [Milenkovich and Prjulj, 2008]^[3] 참조).노드 u와 노드 v 사이의 총 거리 D(u,v)는 다음과 같이 정의됩니다.
$D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ ( $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ , $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ v ) $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ i $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ i = $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ i ( u , v ) = 0 $72$ w i ( \ $display$ style D ( u , v ) = 0 $frac$ { $sum _$ { i $D(u,v)={\frac {\sum _{i=0}^{72}D_{i}}{\sum _{i=0}^{72}w_{i}}}$ = $0$ } { i = 0 $72) D$ _ { i $}$ } } $d$ 。
거리 D(u,v)는 [0, 1]입니다.여기서 거리 0은 노드 u와 v의 시그니처가 동일함을 의미합니다.마지막으로 노드 u와 노드 v 사이의 시그니처 유사성 S(u, v)는 다음과 같습니다.
$S(u,v)=1-D(u,v)$ ( $S(u,v)=1-D(u,v)$ u , $S(u,v)=1-D(u,v)$ ) $=$ - $S(u,v)=1-D(u,v)$ ( $S(u,v)=1-D(u,v)$ , $S(u,v)=1-D(u,v)$ $){$ $displaystyle$ S ( $u$ , v )= $1$ - D ( $u$ , $S(u,v)=1-D(u,v)$ v ) $S(u,v)=1-D(u,v)$ }
분명히 2개의 노드 간의 시그니처 유사도가 높을수록 확장 네이버 간의 토폴로지 유사도가 높아집니다(거리4까지).

Graphlet 기반 네트워크 속성 적용

RGF 거리 및 GDD 합의는 실제 네트워크에 대한 다양한 네트워크 모델의 적합성을 평가하고 단백질-단백질 상호 ^[1]^[2]작용 네트워크 및 잔여물 상호 ^[4]작용 그래프라고도 불리는 다른 유형의 생물학적 네트워크에 대한 적합한 새로운 기하학적 랜덤 그래프 모델을 발견하기 위해 사용되었다.이러한 Graphlet 기반 네트워크 속성은 대규모 네트워크 분석 및 ^[5]모델링용 소프트웨어 도구인 GraphCrunch에 구현됩니다.혹은 대규모 ^[6]^[7]네트워크에서의 그래플릿 기반의 네트워크 속성을 계산하기 위한 소프트웨어 라이브러리인 PGD에 병렬 구현이 제공된다.

그래플릿 정도 벡터(서명)와 시그니처 유사성은 네트워크에서 위상적으로 유사한 노드의 그룹(또는 클러스터)을 식별하고 특성화된 노드의 알려진 생물학적 특성에 기초하여 아직 특성화되지 않은 노드의 생물학적 특성을 예측하기 위해 생물학적 네트워크에 적용되었다.특히, 그것들은 단백질 ^[3]기능 예측, 암 유전자 확인,^[8] 그리고 흑색^[8] 형성이나 단백질 ^[9]분해와 같은 특정 생물학적 과정의 기초가 되는 경로 발견에 적용되었다.또한 글로벌 네트워크 얼라인먼트 방식인 GRAph ALigner(GRAAL)는 네트워크 토폴로지에 대한 외부 정보를 사용하지 않고 그래플릿 정도 벡터와 시그니처 유사성을 사용하여 생체 네트워크의 토폴로지 얼라인먼트를 생성했습니다.

레퍼런스

^ ^a ^b ^c Prjulj N, Corneil DG, Jurisica I: Modeling Interactome, Scale-Free or Geometry?, Bio Informatics 2004, 20(18):3508-3515.
^ ^a ^b ^c ^d ^e Prjulj N, Graphlet 정도 분포를 사용한 생물학적 네트워크 비교, Biological Informatics 2007, 23:e177-e183.
^ ^a ^b ^c ^d ^e Tijana Milenkovich와 Natasha Prjulj, Graphlet 정도 서명을 통한 생물학적 네트워크 기능 발견, 암 정보학 2008, 6:257–273.
^ Tijana Milenkoviach, Ioannis Filippis, Michael Lape 및 Natasha Prjulj, 단백질 구조 네트워크에 최적화된 Null Model, 2009, PLoS ONE 4(6): e5967.
^ Tijana Milenkoviach, Jason Lai 및 Natasha Prjulj, GraphCrunch: 대규모 네트워크 분석 도구, BMC Bioinformatics 2008, 9:70.접근성이 높다.
^ Ahmed, N. K.; Neville, J.; Rossi, R. A.; Duffield, N. (2015-11-01). Efficient Graphlet Counting for Large Networks. 2015 IEEE International Conference on Data Mining (ICDM). pp. 1–10. doi:10.1109/ICDM.2015.141. ISBN 978-1-4673-9504-5.
^ Ahmed, Nesreen K.; Neville, Jennifer; Rossi, Ryan A.; Duffield, Nick G.; Willke, Theodore L. (2016-06-27). "Graphlet decomposition: framework, algorithms, and applications". Knowledge and Information Systems. 50 (3): 689–722. arXiv:1506.04322. doi:10.1007/s10115-016-0965-5. ISSN 0219-1377.
^ ^a ^b 티자나 밀렌코비치, 베스나 메미세비치, 아난드 K가네산, 나타샤 Prjulj, Melanogenesis 관련 상호 작용 네트워크에 적용된 단백질 상호 작용 네트워크 토폴로지의 시스템 수준 암 유전자 식별, 왕립 학회 인터페이스 저널 2009, doi:10.1098/2009.0192.
^ Cortnie Guerrero, Tijana Milenkoviach, Natasha Prjulj, Peter Kaiser, Lan Huang, QTAX 기반 태그-팀 질량 분석 및 단백질 상호작용 네트워크 분석, PNAS133 (10536)

외부 링크

[1]

[Przulj2004-1] Prjulj N, Corneil DG, Jurisica I: Modeling Interactome, Scale-Free or Geometry?, Bio Informatics 2004, 20(18):3508-3515.

[Przulj2007-2] Prjulj N, Graphlet 정도 분포를 사용한 생물학적 네트워크 비교, Biological Informatics 2007, 23:e177-e183.

[Milenkovic2008-3] Tijana Milenkovich와 Natasha Prjulj, Graphlet 정도 서명을 통한 생물학적 네트워크 기능 발견, 암 정보학 2008, 6:257–273.

[4] Tijana Milenkoviach, Ioannis Filippis, Michael Lape 및 Natasha Prjulj, 단백질 구조 네트워크에 최적화된 Null Model, 2009, PLoS ONE 4(6): e5967.

[5] Tijana Milenkoviach, Jason Lai 및 Natasha Prjulj, GraphCrunch: 대규모 네트워크 분석 도구, BMC Bioinformatics 2008, 9:70.접근성이 높다.

[6] Ahmed, N. K.; Neville, J.; Rossi, R. A.; Duffield, N. (2015-11-01). Efficient Graphlet Counting for Large Networks. 2015 IEEE International Conference on Data Mining (ICDM). pp. 1–10. doi:10.1109/ICDM.2015.141. ISBN 978-1-4673-9504-5.

[7] Ahmed, Nesreen K.; Neville, Jennifer; Rossi, Ryan A.; Duffield, Nick G.; Willke, Theodore L. (2016-06-27). "Graphlet decomposition: framework, algorithms, and applications". Knowledge and Information Systems. 50 (3): 689–722. arXiv:1506.04322. doi:10.1007/s10115-016-0965-5. ISSN 0219-1377.

[Milenkovic2009-8] 티자나 밀렌코비치, 베스나 메미세비치, 아난드 K가네산, 나타샤 Prjulj, Melanogenesis 관련 상호 작용 네트워크에 적용된 단백질 상호 작용 네트워크 토폴로지의 시스템 수준 암 유전자 식별, 왕립 학회 인터페이스 저널 2009, doi:10.1098/2009.0192.

[9] Cortnie Guerrero, Tijana Milenkoviach, Natasha Prjulj, Peter Kaiser, Lan Huang, QTAX 기반 태그-팀 질량 분석 및 단백질 상호작용 네트워크 분석, PNAS133 (10536)

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

Search