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
不争馒头争口气完成签到,获得积分10
1秒前
2秒前
称心采枫完成签到 ,获得积分10
4秒前
yif完成签到 ,获得积分10
6秒前
勤劳尔丝完成签到 ,获得积分10
6秒前
nteicu发布了新的文献求助10
8秒前
浅池星完成签到 ,获得积分10
8秒前
机智的从霜完成签到 ,获得积分10
8秒前
杜佳月完成签到 ,获得积分10
10秒前
11秒前
九零后无心完成签到,获得积分10
11秒前
时尚语梦完成签到 ,获得积分10
11秒前
luo完成签到 ,获得积分10
13秒前
自转无风发布了新的文献求助10
14秒前
无私的小松鼠完成签到 ,获得积分10
15秒前
Oct完成签到 ,获得积分10
18秒前
劲秉应助科研通管家采纳,获得30
19秒前
轩辕书白完成签到,获得积分10
19秒前
Singularity应助科研通管家采纳,获得10
19秒前
田様应助科研通管家采纳,获得10
19秒前
courage完成签到 ,获得积分10
19秒前
gongyh完成签到,获得积分10
20秒前
Sophie完成签到,获得积分10
21秒前
啦啦啦完成签到 ,获得积分20
22秒前
杜啰嗦完成签到 ,获得积分10
22秒前
如意元霜完成签到 ,获得积分10
23秒前
岑夜南完成签到,获得积分10
24秒前
张铁柱完成签到,获得积分10
24秒前
上下完成签到 ,获得积分10
24秒前
蕉鲁诺蕉巴纳完成签到,获得积分10
25秒前
负责向真完成签到,获得积分20
26秒前
Amy完成签到 ,获得积分10
27秒前
chen完成签到,获得积分10
28秒前
轻松笙完成签到,获得积分10
29秒前
DddZS完成签到 ,获得积分10
30秒前
曾无忧完成签到,获得积分10
30秒前
大饼完成签到,获得积分10
30秒前
Docsiwen完成签到 ,获得积分10
31秒前
机智的思远完成签到 ,获得积分10
31秒前
年月日完成签到,获得积分10
32秒前
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 3196862
求助须知:如何正确求助?哪些是违规求助? 2845525
关于积分的说明 8054432
捐赠科研通 2510220
什么是DOI,文献DOI怎么找? 1342330
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