PredLLPS_PSSM: a novel predictor for liquid–liquid protein separation identification based on evolutionary information and a deep neural network

计算机科学 鉴定(生物学) 深度学习 人工智能 计算生物学 人工神经网络 模式识别(心理学) 生物 植物
作者
Shengming Zhou,Y. Z. Zhou,Tian Liu,Juanjuan Zheng,Cangzhi Jia
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (5)
标识
DOI:10.1093/bib/bbad299
摘要

The formation of biomolecular condensates by liquid-liquid phase separation (LLPS) has become a universal mechanism for spatiotemporal coordination of biological activities in cells and has been widely observed to directly regulate the key cellular processes involved in cancer cell pathology. However, the complexity of protein sequences and the diversity of conformations are inherently disordered, which poses great challenges for LLPS protein calculations and experimental research. Herein, we proposed a novel predictor named PredLLPS_PSSM for LLPS protein identification based only on sequence evolution information. Because finding real and reliable samples is the cornerstone of building predictors, we collected anew and collated the LLPS proteins from the latest versions of three databases. By comparing the performance of the position-specific score matrix (PSSM) and word embedding, PredLLPS_PSSM combined PSSM-based information and two deep learning frameworks. Independent tests using three existing independent test datasets and two newly constructed independent test datasets demonstrated the superiority of PredLLPS_PSSM compared with state-of-the-art methods. Furthermore, we tested PredLLPS_PSSM on nine experimentally identified LLPS proteins from three insects that were not included in any of the databases. In addition, the powerful Shapley Additive exPlanation algorithm and heatmap were applied to find the most critical amino acids relevant to LLPS.
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
DaLu完成签到,获得积分10
1秒前
1秒前
养猪人完成签到,获得积分10
2秒前
6秒前
shirai发布了新的文献求助10
7秒前
edtaa发布了新的文献求助10
7秒前
7秒前
8秒前
9秒前
10秒前
10秒前
生动的草莓完成签到 ,获得积分10
11秒前
11秒前
菠萝完成签到 ,获得积分10
12秒前
哆啦A梦完成签到,获得积分10
13秒前
机灵飞兰发布了新的文献求助10
13秒前
ZengQiu发布了新的文献求助10
14秒前
15秒前
曾玲萍发布了新的文献求助10
16秒前
16秒前
灵巧的导师应助葫芦采纳,获得20
17秒前
直率无春发布了新的文献求助10
19秒前
小艺小艺完成签到,获得积分10
19秒前
无情的楼房完成签到,获得积分20
19秒前
俊逸的曼岚完成签到,获得积分10
20秒前
今后应助背后雅绿采纳,获得10
20秒前
20秒前
小艺小艺发布了新的文献求助10
25秒前
25秒前
zz完成签到,获得积分10
25秒前
26秒前
Ava应助拓扑超导相变采纳,获得10
27秒前
27秒前
欣喜的秋灵应助ee采纳,获得10
28秒前
shirai完成签到,获得积分10
29秒前
原小爽发布了新的文献求助10
30秒前
小小狗发布了新的文献求助10
31秒前
归海梦岚完成签到,获得积分0
31秒前
背后书雪完成签到 ,获得积分10
33秒前
小二郎应助moji采纳,获得10
34秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3187770
求助须知:如何正确求助?哪些是违规求助? 2837531
关于积分的说明 8015364
捐赠科研通 2500112
什么是DOI,文献DOI怎么找? 1334764
科研通“疑难数据库(出版商)”最低求助积分说明 637295
邀请新用户注册赠送积分活动 605251