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
优雅沛文完成签到 ,获得积分10
4秒前
俊逸海豚完成签到 ,获得积分10
7秒前
7秒前
司纤户羽完成签到 ,获得积分10
9秒前
sduwl完成签到,获得积分10
11秒前
个性凡儿完成签到,获得积分10
12秒前
大东东发布了新的文献求助10
16秒前
18秒前
小林同学0219完成签到 ,获得积分10
19秒前
研友_LMBAXn发布了新的文献求助10
20秒前
吴荣方完成签到 ,获得积分10
22秒前
甄遥完成签到,获得积分10
24秒前
抹茶冰淇淋完成签到 ,获得积分10
25秒前
xc完成签到,获得积分10
28秒前
卡卡完成签到,获得积分10
30秒前
park完成签到 ,获得积分10
30秒前
ccc完成签到 ,获得积分10
31秒前
chiron完成签到,获得积分10
32秒前
奋斗跳跳糖完成签到,获得积分10
35秒前
li完成签到 ,获得积分10
38秒前
NOTHING完成签到 ,获得积分10
38秒前
花开四海完成签到 ,获得积分10
40秒前
xiaofeng5838完成签到,获得积分10
42秒前
忘忧Aquarius完成签到,获得积分10
44秒前
savior完成签到 ,获得积分10
45秒前
orixero应助ww采纳,获得10
49秒前
闵不悔完成签到,获得积分10
49秒前
小事完成签到 ,获得积分10
50秒前
茶果完成签到,获得积分10
51秒前
萧水白应助科研通管家采纳,获得10
52秒前
gongyh完成签到,获得积分10
53秒前
天才罗完成签到 ,获得积分10
55秒前
SharonYYZ发布了新的文献求助10
56秒前
shrimp5215完成签到,获得积分10
59秒前
杨杨杨完成签到,获得积分20
1分钟前
zhaoyaoshi完成签到 ,获得积分10
1分钟前
看文献完成签到,获得积分10
1分钟前
她的城完成签到,获得积分0
1分钟前
沉默的皮卡丘完成签到 ,获得积分10
1分钟前
CHANG完成签到 ,获得积分10
1分钟前
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 3200827
求助须知:如何正确求助?哪些是违规求助? 2850571
关于积分的说明 8072502
捐赠科研通 2514324
什么是DOI,文献DOI怎么找? 1347061
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 610520