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
xinl518完成签到,获得积分10
2秒前
很傻的狗完成签到,获得积分10
2秒前
2秒前
dd完成签到,获得积分20
2秒前
YwYzzZ发布了新的文献求助10
2秒前
Ettrickfield完成签到,获得积分10
3秒前
3秒前
3秒前
wf完成签到,获得积分10
4秒前
辛勤尔冬完成签到,获得积分10
6秒前
22完成签到 ,获得积分10
7秒前
小二郎应助辣辣采纳,获得10
7秒前
爱静静应助dd采纳,获得10
7秒前
和谐的棉花糖完成签到 ,获得积分10
8秒前
tearun发布了新的文献求助10
8秒前
bastien发布了新的文献求助10
9秒前
tanghong完成签到,获得积分10
9秒前
伶俐海安完成签到 ,获得积分10
10秒前
淡淡的若冰应助学到发疯采纳,获得10
10秒前
Violet完成签到,获得积分10
10秒前
懒得可爱完成签到,获得积分10
11秒前
华老五完成签到,获得积分10
11秒前
璐璐完成签到 ,获得积分10
13秒前
bastien完成签到,获得积分10
14秒前
冰阔落完成签到 ,获得积分10
15秒前
老王子完成签到,获得积分10
15秒前
xinxin完成签到,获得积分10
16秒前
张阳完成签到,获得积分10
17秒前
充电宝应助北城无夏采纳,获得10
17秒前
Rgly完成签到 ,获得积分10
17秒前
虚幻谷波完成签到,获得积分10
17秒前
老王子发布了新的文献求助10
18秒前
波比冰苏打完成签到,获得积分10
18秒前
海慕云完成签到,获得积分10
18秒前
淡淡的若冰应助ziyue采纳,获得10
20秒前
能干的树叶完成签到 ,获得积分10
20秒前
董小天天应助叫滚滚采纳,获得50
20秒前
怕孤独的访云完成签到 ,获得积分10
21秒前
xing完成签到,获得积分10
22秒前
大吴克发布了新的文献求助10
22秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
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
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 3200846
求助须知:如何正确求助?哪些是违规求助? 2850652
关于积分的说明 8073045
捐赠科研通 2514396
什么是DOI,文献DOI怎么找? 1347144
科研通“疑难数据库(出版商)”最低求助积分说明 640332
邀请新用户注册赠送积分活动 610525