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
研友_VZG7GZ应助欢呼芷雪采纳,获得10
刚刚
soccer13发布了新的文献求助10
1秒前
1秒前
1秒前
1秒前
Chill发布了新的文献求助10
2秒前
思源应助111采纳,获得10
3秒前
所所应助JW2071367采纳,获得10
5秒前
Inoron完成签到 ,获得积分10
5秒前
打打应助萱萱采纳,获得10
5秒前
我是老大应助萱萱采纳,获得10
5秒前
传奇3应助萱萱采纳,获得10
5秒前
希望天下0贩的0应助萱萱采纳,获得10
5秒前
传奇3应助萱萱采纳,获得10
5秒前
zyf发布了新的文献求助10
5秒前
lll发布了新的文献求助10
6秒前
迷茫的一代完成签到,获得积分10
7秒前
Hancock完成签到,获得积分10
8秒前
9秒前
大个应助ECUST采纳,获得10
9秒前
慕豪英完成签到,获得积分10
9秒前
77关注了科研通微信公众号
10秒前
LILI完成签到,获得积分10
10秒前
香蕉觅云应助iKUN采纳,获得10
10秒前
善学以致用应助Boundary采纳,获得10
11秒前
潇洒的诗桃应助蟹蟹采纳,获得10
11秒前
Jin完成签到,获得积分10
12秒前
科研通AI2S应助小熊熊采纳,获得10
13秒前
科研通AI2S应助小熊熊采纳,获得10
13秒前
Qssai应助小熊熊采纳,获得150
13秒前
LANER发布了新的文献求助10
14秒前
领导范儿应助corey采纳,获得10
14秒前
16秒前
18秒前
科目三应助小路采纳,获得10
18秒前
lailai完成签到 ,获得积分10
22秒前
武雨寒发布了新的文献求助10
22秒前
张浩完成签到,获得积分10
23秒前
swy发布了新的文献求助10
24秒前
26秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Актуализированная стратиграфическая схема триасовых отложений Прикаспийского региона. Объяснительная записка 360
Dictionary of socialism 350
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 3191803
求助须知:如何正确求助?哪些是违规求助? 2841186
关于积分的说明 8031722
捐赠科研通 2504609
什么是DOI,文献DOI怎么找? 1337911
科研通“疑难数据库(出版商)”最低求助积分说明 638205
邀请新用户注册赠送积分活动 606711