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
刚刚
宁幼萱发布了新的文献求助10
1秒前
jackie完成签到 ,获得积分10
3秒前
hha发布了新的文献求助10
4秒前
4秒前
独特煎蛋完成签到,获得积分10
4秒前
折木浮华发布了新的文献求助10
5秒前
5秒前
evacqy发布了新的文献求助10
5秒前
柠檬发布了新的文献求助10
5秒前
6秒前
画画的baby发布了新的文献求助10
6秒前
7秒前
8秒前
李健应助爱睡觉的修勾勾采纳,获得10
9秒前
10秒前
vv完成签到,获得积分10
10秒前
小马甲应助冷艳的海白采纳,获得10
11秒前
伶俐剑心发布了新的文献求助10
11秒前
FashionBoy应助原野小年采纳,获得10
12秒前
12秒前
云泥完成签到 ,获得积分10
12秒前
吾皇完成签到 ,获得积分10
13秒前
AJS关闭了AJS文献求助
13秒前
13秒前
在水一方应助DXiao采纳,获得100
14秒前
阿宝发布了新的文献求助10
14秒前
完美世界应助Sink采纳,获得10
14秒前
susu发布了新的文献求助10
15秒前
认真子默发布了新的文献求助10
17秒前
17秒前
文献查找发布了新的文献求助10
18秒前
hha完成签到,获得积分20
18秒前
evacqy完成签到,获得积分20
18秒前
20秒前
PPkk完成签到,获得积分10
21秒前
21秒前
22秒前
22秒前
感性的早晨完成签到,获得积分10
23秒前
高分求助中
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
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 3183068
求助须知:如何正确求助?哪些是违规求助? 2833280
关于积分的说明 7993179
捐赠科研通 2495413
什么是DOI,文献DOI怎么找? 1331490
科研通“疑难数据库(出版商)”最低求助积分说明 636300
邀请新用户注册赠送积分活动 603474