清晨好,您是今天最早来到科研通的研友!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,伴您科研之路漫漫前行!

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
健壮的怜烟完成签到,获得积分10
24秒前
meijuan1210完成签到 ,获得积分10
42秒前
科研狗完成签到 ,获得积分10
56秒前
应夏山完成签到 ,获得积分10
1分钟前
无悔完成签到 ,获得积分10
1分钟前
啊啊啊完成签到 ,获得积分20
1分钟前
chcmy完成签到 ,获得积分10
1分钟前
温不胜的破木吉他完成签到 ,获得积分10
2分钟前
wujuan完成签到 ,获得积分10
2分钟前
和谐板栗完成签到 ,获得积分10
2分钟前
zxh656691发布了新的文献求助10
3分钟前
3分钟前
Antonio完成签到 ,获得积分10
3分钟前
科研通AI2S应助zxh656691采纳,获得10
3分钟前
nano完成签到 ,获得积分10
3分钟前
oaoalaa完成签到 ,获得积分10
3分钟前
diguohu完成签到,获得积分10
3分钟前
neil_match完成签到,获得积分10
3分钟前
魁梧的鸿煊完成签到 ,获得积分10
3分钟前
浚稚完成签到 ,获得积分10
4分钟前
loulex完成签到,获得积分10
4分钟前
川藏客完成签到 ,获得积分10
4分钟前
毛毛弟完成签到 ,获得积分10
5分钟前
菠萝谷波完成签到 ,获得积分10
5分钟前
72发布了新的文献求助10
5分钟前
谭凯文完成签到 ,获得积分10
5分钟前
林利芳完成签到 ,获得积分10
5分钟前
Billy应助Afliea采纳,获得10
6分钟前
6分钟前
72完成签到,获得积分20
6分钟前
呆呆的猕猴桃完成签到 ,获得积分10
6分钟前
zuhangzhao完成签到 ,获得积分10
6分钟前
Tina完成签到 ,获得积分10
7分钟前
fogsea完成签到,获得积分0
7分钟前
善学以致用应助ybwei2008_163采纳,获得10
7分钟前
ybwei2008_163发布了新的文献求助10
7分钟前
huanghe完成签到,获得积分10
8分钟前
8分钟前
ybwei2008_163发布了新的文献求助10
8分钟前
乐乐应助ybwei2008_163采纳,获得10
8分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
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 3196835
求助须知:如何正确求助?哪些是违规求助? 2845494
关于积分的说明 8054319
捐赠科研通 2510132
什么是DOI,文献DOI怎么找? 1342278
科研通“疑难数据库(出版商)”最低求助积分说明 639355
邀请新用户注册赠送积分活动 608669