CytoHubba:发现复杂网络的关键目标和子网络
网络对呈现包括PPI，基因调控，细胞路径和信号转导等多种类型生物数据非常有用。我们//+重要性，并且这也能帮助我们发现网络中的中心元素。
cytoHubba根据nodes在网络中的属性进行排名。它提供了11中拓扑分析方法，包括，Degrre度，Edge Percolated component边过滤成分，Maximum neighborhood component，Density of Maximum Neighborhood Component，Maximal Clique Centrality and six centralities(Botteleneck,EcCentricity,Closeness,Radiality,Betweenness, Stress)以上这些基于最短路径，MCC是新提出的方法，在酵母PPI网络中对关键蛋白的预测有更好的表现。比如依据给定的重要性概念对网络中心性对节点进行排名可以发现重要信息。
研究发现，一个蛋白的degree和他的基因的重要性直接相关，换句话说，具有高degree的蛋白更倾向于是关键蛋白。
已经有几个插件可以对网络数据进行节点排名，比如NetworkAnalyzer和CentiScaPe，他们可以计算有向或无向网络的拓扑参数。这些插件比其他常用的插件提供了更多的中心性测定指标，但是一些其他重要的特性和最近发展的方法他们并未包括进去。不同的方法聚焦不同的拓扑特点或者，相似的特征有着不同的计分策略。为了让生物工作者对网络特点的利用更加辩解，我们编写了cytoHubba插件以执行我们最新发展的算法和几个流行的算法。
加强的node 获取功能控制面板可以帮助研究者搜索和探索网络，并且可以提取感兴趣的子网络。
使用方法
CytoHubba界面提供了一个简单的交互界面有11个得分方法的分析界面。
首先，所有11中方法在每个node中的得分都会被赋予，当然前提是加载了PPI网络，并执行了“compute hubba result”功能。
