已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

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
nulinuli完成签到 ,获得积分10
1秒前
充电宝应助李lll采纳,获得10
1秒前
毛豆爸爸应助飘逸问晴采纳,获得20
3秒前
3秒前
4秒前
彭于晏应助树袋熊采纳,获得100
4秒前
6秒前
8秒前
李lll完成签到,获得积分10
9秒前
11秒前
霸气映之发布了新的文献求助10
11秒前
12秒前
刘歌发布了新的文献求助10
15秒前
小乔发布了新的文献求助10
21秒前
科研通AI2S应助开心开心采纳,获得10
22秒前
Ghooor发布了新的文献求助10
23秒前
代杰居然发布了新的文献求助30
23秒前
29秒前
BA1完成签到,获得积分10
30秒前
不配.应助Cindy采纳,获得10
30秒前
无限一凤完成签到 ,获得积分10
31秒前
薄荷油完成签到 ,获得积分10
31秒前
无限一凤关注了科研通微信公众号
33秒前
33秒前
ice7应助代杰居然采纳,获得10
34秒前
37秒前
氧气橘子发布了新的文献求助30
38秒前
完美世界应助高贵的子默采纳,获得10
39秒前
道友且慢发布了新的文献求助20
43秒前
raziel完成签到,获得积分10
44秒前
LJ徽完成签到 ,获得积分10
46秒前
47秒前
氧气橘子完成签到,获得积分10
49秒前
无限一凤发布了新的文献求助10
53秒前
顾矜应助十月采纳,获得10
56秒前
58秒前
58秒前
小许小许完成签到,获得积分10
59秒前
皮皮完成签到 ,获得积分10
1分钟前
1分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 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 3186488
求助须知:如何正确求助?哪些是违规求助? 2836756
关于积分的说明 8011101
捐赠科研通 2499109
什么是DOI,文献DOI怎么找? 1334088
科研通“疑难数据库(出版商)”最低求助积分说明 637023
邀请新用户注册赠送积分活动 605004