Prediction of Protein-Protein Interactions from Protein Sequence Using Local Descriptors

序列(生物学) 计算机科学 蛋白质测序 蛋白质功能预测 代表(政治) 人工智能 模式识别(心理学) 集合(抽象数据类型) 蛋白质结构预测 编码(社会科学) 数据挖掘 蛋白质功能 蛋白质结构 肽序列 数学 生物 遗传学 基因 统计 生物化学 政治 政治学 法学 程序设计语言
作者
Lei Yang,Junfeng Xia,Jie Gui
出处
期刊:Protein and Peptide Letters [Bentham Science]
卷期号:17 (9): 1085-1090 被引量:161
标识
DOI:10.2174/092986610791760306
摘要

With a huge amount of protein sequence data, the computational method for protein – protein interaction (PPI) prediction using only the protein sequences information have drawn increasing interest. In this article, we propose a sequence- based method based on a novel representation of local protein sequence descriptors. Local descriptors account for the interactions between residues in both continuous and discontinuous regions of a protein sequence, so this method enables us to extract more PPI information from the sequence. A series of elaborate experiments are performed to optimize the prediction model by varying the parameter k and the distance measuring function of the k-nearest neighbors learning system and the ways of coding a protein pair. When performed on the PPI data of Saccharomyces cerevisiae, the method achieved 86.15% prediction accuracy with 81.03% sensitivity at the precision of 90.24%. An independent data set of 986 Escherichia coli PPIs was used to evaluate this prediction model and the prediction accuracy is 73.02%. Given the complex nature of PPIs, the performance of our method is promising, and it can be a helpful supplement for PPIs prediction. Keywords: Feature representation, KNNs, local descriptors, PPIs prediction, protein sequence, sequence-based method
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
单纯紫寒发布了新的文献求助10
1秒前
高贵的子默完成签到,获得积分10
1秒前
JamesPei应助感动的溪灵采纳,获得10
1秒前
2秒前
jyy应助清脆泥猴桃采纳,获得10
3秒前
麦秋完成签到,获得积分10
3秒前
jkdi完成签到,获得积分10
3秒前
shineber完成签到,获得积分20
4秒前
研友_qZ6V1Z发布了新的文献求助30
4秒前
4秒前
5秒前
6秒前
明理的向松完成签到,获得积分10
6秒前
6秒前
烟花应助背书强采纳,获得10
7秒前
所所应助黄小仙儿采纳,获得10
7秒前
7秒前
7秒前
深情安青应助hhhhhh采纳,获得10
8秒前
十七。完成签到,获得积分10
9秒前
傅傅发布了新的文献求助10
9秒前
张磊发布了新的文献求助10
10秒前
哈尼发布了新的文献求助10
10秒前
临风发布了新的文献求助10
10秒前
10秒前
zhaodechang完成签到,获得积分10
10秒前
10秒前
10秒前
荡乎宇宙如虚舟完成签到,获得积分10
11秒前
11秒前
tyughi完成签到,获得积分10
12秒前
WAHAHAoo发布了新的文献求助10
12秒前
SciGPT应助研友_qZ6V1Z采纳,获得30
13秒前
14秒前
14秒前
卢鹏印发布了新的文献求助10
14秒前
zhaodechang发布了新的文献求助10
14秒前
搜集达人应助暗能量采纳,获得10
16秒前
16秒前
缥缈灵煌发布了新的文献求助10
17秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3249789
求助须知:如何正确求助?哪些是违规求助? 2892979
关于积分的说明 8275220
捐赠科研通 2561247
什么是DOI,文献DOI怎么找? 1389749
科研通“疑难数据库(出版商)”最低求助积分说明 651319
邀请新用户注册赠送积分活动 628088