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
2秒前
SSSSscoliosis完成签到,获得积分10
2秒前
研友_VZG7GZ应助sunsun采纳,获得10
8秒前
情怀应助落寞凡英采纳,获得10
12秒前
17秒前
18秒前
Hello应助科研通管家采纳,获得10
18秒前
m1nt完成签到,获得积分10
18秒前
内向映天完成签到 ,获得积分10
19秒前
弹剑作歌完成签到,获得积分10
19秒前
兜里没糖了完成签到 ,获得积分10
21秒前
23秒前
24秒前
Gigi完成签到,获得积分10
26秒前
好懒发布了新的文献求助10
29秒前
29秒前
雨yu完成签到 ,获得积分10
30秒前
科研通AI2S应助青青采纳,获得10
31秒前
学术小垃圾完成签到,获得积分10
36秒前
一一完成签到,获得积分10
37秒前
明理的舞仙完成签到 ,获得积分10
38秒前
美好的惜天完成签到 ,获得积分10
40秒前
41秒前
一一发布了新的文献求助10
43秒前
43秒前
落寞书易完成签到 ,获得积分10
45秒前
lyc45491314发布了新的文献求助10
46秒前
lzh发布了新的文献求助10
46秒前
lzc完成签到 ,获得积分10
47秒前
Zeeki完成签到 ,获得积分10
49秒前
atdawn1998发布了新的文献求助10
49秒前
51秒前
情怀应助秋秋采纳,获得10
56秒前
星希完成签到 ,获得积分10
56秒前
好懒完成签到,获得积分10
58秒前
lixiaolu完成签到 ,获得积分10
59秒前
1分钟前
1分钟前
超帅的以彤完成签到,获得积分10
1分钟前
思罄发布了新的文献求助10
1分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
2024 Medicinal Chemistry Reviews 400
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 3200594
求助须知:如何正确求助?哪些是违规求助? 2850408
关于积分的说明 8071895
捐赠科研通 2514153
什么是DOI,文献DOI怎么找? 1346899
科研通“疑难数据库(出版商)”最低求助积分说明 640281
邀请新用户注册赠送积分活动 610407