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
领导范儿应助Seeone采纳,获得10
刚刚
赘婿应助缪连虎采纳,获得10
1秒前
xhl发布了新的文献求助10
1秒前
严美娜完成签到,获得积分10
1秒前
程程程程完成签到,获得积分10
2秒前
xiuxiu发布了新的文献求助10
3秒前
空山新雨发布了新的文献求助10
3秒前
爆米花应助sia采纳,获得10
3秒前
Lc完成签到,获得积分10
3秒前
4秒前
不配.应助Fancy采纳,获得20
5秒前
清秀涵易完成签到,获得积分20
5秒前
6秒前
6秒前
6秒前
魏文超完成签到,获得积分10
6秒前
LZY应助feifei采纳,获得10
6秒前
凶狠的盼柳完成签到,获得积分10
7秒前
叶菲菲发布了新的文献求助10
7秒前
8秒前
星月夜应助沉默的婴采纳,获得20
8秒前
8秒前
yyy发布了新的文献求助10
8秒前
Hello应助1233采纳,获得10
8秒前
Baibai发布了新的文献求助10
9秒前
10秒前
YY关注了科研通微信公众号
10秒前
线条完成签到 ,获得积分10
10秒前
tuntunliu发布了新的文献求助20
11秒前
WJ发布了新的文献求助10
11秒前
啊呜发布了新的文献求助10
12秒前
13秒前
yuanyuan完成签到,获得积分10
13秒前
Seeone完成签到,获得积分10
13秒前
14秒前
14秒前
可燃冰发布了新的文献求助10
15秒前
15秒前
chris完成签到,获得积分10
15秒前
fddsfs发布了新的文献求助10
15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
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 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 3181539
求助须知:如何正确求助?哪些是违规求助? 2831784
关于积分的说明 7986720
捐赠科研通 2493805
什么是DOI,文献DOI怎么找? 1330348
科研通“疑难数据库(出版商)”最低求助积分说明 635955
版权声明 602955