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
31秒前
鱼饼完成签到 ,获得积分10
33秒前
Bill Wang完成签到 ,获得积分10
44秒前
47秒前
内向冬菱完成签到,获得积分10
51秒前
弃医遛鸟登高而歌完成签到 ,获得积分10
1分钟前
紫熊发布了新的文献求助20
1分钟前
1分钟前
2分钟前
2分钟前
默默孱完成签到 ,获得积分10
3分钟前
gwbk完成签到,获得积分10
3分钟前
3分钟前
3分钟前
Lucas应助科研界的滂菜采纳,获得10
4分钟前
zpli完成签到 ,获得积分10
4分钟前
YifanWang完成签到,获得积分0
4分钟前
nancyzhao完成签到 ,获得积分10
4分钟前
大熊完成签到 ,获得积分10
5分钟前
5分钟前
5分钟前
紫熊完成签到,获得积分10
6分钟前
ke完成签到,获得积分10
7分钟前
7分钟前
8分钟前
张军辉发布了新的文献求助10
8分钟前
thangxtz完成签到,获得积分10
8分钟前
8分钟前
9分钟前
9分钟前
张军辉发布了新的文献求助10
10分钟前
10分钟前
张军辉完成签到,获得积分10
10分钟前
10分钟前
11分钟前
wanci应助科研通管家采纳,获得10
11分钟前
11分钟前
充电宝应助熊孩子采纳,获得10
11分钟前
黄花菜完成签到 ,获得积分10
11分钟前
斌斌发布了新的文献求助10
11分钟前
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
A prescription for engineering PFAS biodegradation 500
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 3183739
求助须知:如何正确求助?哪些是违规求助? 2833779
关于积分的说明 7995552
捐赠科研通 2496028
什么是DOI,文献DOI怎么找? 1331874
科研通“疑难数据库(出版商)”最低求助积分说明 636441
邀请新用户注册赠送积分活动 603625