清晨好,您是今天最早来到科研通的研友!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,伴您科研之路漫漫前行!

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
迷茫的一代完成签到,获得积分10
18秒前
NexusExplorer应助科研通管家采纳,获得10
30秒前
彩色的芷容完成签到 ,获得积分10
34秒前
深情安青应助fairy采纳,获得10
1分钟前
jyy关闭了jyy文献求助
1分钟前
柳行天完成签到 ,获得积分10
2分钟前
BaiX完成签到 ,获得积分10
2分钟前
jyy发布了新的文献求助30
2分钟前
紫熊完成签到,获得积分10
2分钟前
Emperor完成签到 ,获得积分0
3分钟前
3分钟前
脆饼同学发布了新的文献求助10
3分钟前
Richard完成签到 ,获得积分10
3分钟前
段誉完成签到 ,获得积分10
3分钟前
称心的海蓝完成签到 ,获得积分10
3分钟前
Eric800824完成签到 ,获得积分10
3分钟前
邹醉蓝完成签到,获得积分10
4分钟前
研友_nxw2xL完成签到,获得积分10
4分钟前
muriel完成签到,获得积分10
4分钟前
5分钟前
曾经枫发布了新的文献求助10
5分钟前
在水一方应助曾经枫采纳,获得10
6分钟前
Dave完成签到 ,获得积分10
6分钟前
Axs完成签到,获得积分10
7分钟前
Huihong_Lin完成签到 ,获得积分20
7分钟前
小布完成签到 ,获得积分10
8分钟前
蝴蝶完成签到 ,获得积分10
8分钟前
科研通AI2S应助科研通管家采纳,获得10
8分钟前
爱静静应助bji采纳,获得10
8分钟前
ww完成签到,获得积分10
9分钟前
10分钟前
曾经枫发布了新的文献求助10
10分钟前
Orange应助曾经枫采纳,获得10
10分钟前
kevinjiang完成签到,获得积分10
10分钟前
TearMarks完成签到 ,获得积分10
10分钟前
kevinjiang发布了新的文献求助200
10分钟前
宇文非笑完成签到 ,获得积分10
11分钟前
A,w携念e行ོ完成签到,获得积分10
11分钟前
标致的元柏完成签到,获得积分10
11分钟前
nanali19完成签到,获得积分10
11分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
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 3196793
求助须知:如何正确求助?哪些是违规求助? 2845469
关于积分的说明 8054209
捐赠科研通 2510069
什么是DOI,文献DOI怎么找? 1342264
科研通“疑难数据库(出版商)”最低求助积分说明 639349
邀请新用户注册赠送积分活动 608668