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
刚刚
1秒前
1秒前
不配.应助Choi采纳,获得10
1秒前
兔斯基完成签到,获得积分10
1秒前
Akim应助安安采纳,获得10
2秒前
3秒前
vaco发布了新的文献求助10
4秒前
科目三应助干净雅旋采纳,获得10
4秒前
流水巷发布了新的文献求助50
4秒前
所所应助友好的妍采纳,获得10
5秒前
6秒前
lq发布了新的文献求助10
6秒前
轻松的芯发布了新的文献求助10
6秒前
yali完成签到,获得积分10
7秒前
思源应助飞天大野猪采纳,获得10
7秒前
柯伯云完成签到,获得积分10
7秒前
冷酷石头发布了新的文献求助10
7秒前
不倦应助正在采纳,获得20
7秒前
笑点低嵩完成签到,获得积分10
7秒前
容止完成签到,获得积分10
8秒前
MOMO发布了新的文献求助10
9秒前
volzzz发布了新的文献求助10
9秒前
10秒前
domkps完成签到 ,获得积分10
10秒前
ding应助yuuta采纳,获得10
10秒前
程琛发布了新的文献求助10
10秒前
11秒前
沈家宁发布了新的文献求助10
11秒前
搜集达人应助lq采纳,获得10
12秒前
12秒前
大曼完成签到,获得积分10
13秒前
qin希望应助空白格采纳,获得10
13秒前
14秒前
zhouzhou发布了新的文献求助10
14秒前
vaco完成签到,获得积分10
14秒前
女巫Q发布了新的文献求助10
15秒前
15秒前
LY发布了新的文献求助10
16秒前
16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
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 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 3182895
求助须知:如何正确求助?哪些是违规求助? 2833076
关于积分的说明 7992477
捐赠科研通 2495256
什么是DOI,文献DOI怎么找? 1331389
科研通“疑难数据库(出版商)”最低求助积分说明 636286
邀请新用户注册赠送积分活动 603350