亲爱的研友该休息了!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!身体可是革命的本钱,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
cipisa发布了新的文献求助10
19秒前
Ricardo完成签到 ,获得积分10
47秒前
Ikyrn完成签到,获得积分10
50秒前
打打应助yu采纳,获得10
52秒前
深情安青应助Ikyrn采纳,获得10
54秒前
1分钟前
yu发布了新的文献求助10
1分钟前
1分钟前
不眠的人完成签到,获得积分10
1分钟前
深情安青应助yu采纳,获得10
2分钟前
huanfid完成签到 ,获得积分10
2分钟前
2分钟前
yu发布了新的文献求助10
2分钟前
2分钟前
CATH完成签到 ,获得积分10
2分钟前
seayoa发布了新的文献求助10
2分钟前
VDC发布了新的文献求助10
3分钟前
领导范儿应助王撑撑采纳,获得10
3分钟前
所所应助seayoa采纳,获得10
3分钟前
lcs完成签到,获得积分10
4分钟前
一朵棉花糖完成签到 ,获得积分10
4分钟前
李爱国应助yu采纳,获得10
4分钟前
李健飞完成签到 ,获得积分10
5分钟前
Ren大奔完成签到 ,获得积分10
5分钟前
5分钟前
yu发布了新的文献求助10
5分钟前
5分钟前
归tu发布了新的文献求助10
5分钟前
归tu完成签到,获得积分20
5分钟前
科研通AI2S应助归tu采纳,获得10
5分钟前
斯文败类应助归tu采纳,获得10
5分钟前
Eric800824完成签到 ,获得积分10
6分钟前
CodeCraft应助yu采纳,获得10
6分钟前
C9完成签到 ,获得积分10
6分钟前
立邦芝士完成签到,获得积分10
6分钟前
6分钟前
6分钟前
奋斗的宛白完成签到 ,获得积分10
7分钟前
dangdang601发布了新的文献求助10
7分钟前
Andy_2024完成签到,获得积分10
8分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
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
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 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 3186712
求助须知:如何正确求助?哪些是违规求助? 2836908
关于积分的说明 8011882
捐赠科研通 2499310
什么是DOI,文献DOI怎么找? 1334286
科研通“疑难数据库(出版商)”最低求助积分说明 637154
邀请新用户注册赠送积分活动 605032