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
烟花应助慌糖采纳,获得10
4秒前
斯文的苡完成签到,获得积分10
11秒前
HK完成签到 ,获得积分10
15秒前
日暮炊烟完成签到 ,获得积分0
15秒前
thought完成签到,获得积分10
20秒前
流沙无言完成签到 ,获得积分10
22秒前
28秒前
35秒前
慌糖完成签到,获得积分10
38秒前
41秒前
无畏完成签到 ,获得积分10
42秒前
慌糖发布了新的文献求助10
42秒前
古木完成签到,获得积分10
45秒前
羽毛发布了新的文献求助10
45秒前
JunJun完成签到 ,获得积分10
46秒前
宇宙超人007008完成签到,获得积分10
52秒前
beloved完成签到 ,获得积分10
58秒前
檀123完成签到 ,获得积分10
59秒前
1分钟前
耿宇航完成签到 ,获得积分10
1分钟前
奋斗天德完成签到 ,获得积分10
1分钟前
研友_VZG7GZ应助HK采纳,获得10
1分钟前
1分钟前
1分钟前
Ava应助科研通管家采纳,获得10
1分钟前
嗯哼应助科研通管家采纳,获得20
1分钟前
李爱国应助科研通管家采纳,获得10
1分钟前
科研通AI2S应助科研通管家采纳,获得10
1分钟前
寒冷苗条应助科研通管家采纳,获得10
1分钟前
嗯哼应助科研通管家采纳,获得20
1分钟前
1分钟前
Roxan发布了新的文献求助10
1分钟前
庞mou完成签到 ,获得积分10
1分钟前
专注的飞瑶完成签到 ,获得积分10
1分钟前
NexusExplorer应助逐梦采纳,获得10
1分钟前
1分钟前
oxs完成签到 ,获得积分10
1分钟前
爆米花应助ykk采纳,获得10
2分钟前
科研通AI2S应助慈祥的百招采纳,获得10
2分钟前
Roxan完成签到,获得积分20
2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 3186652
求助须知:如何正确求助?哪些是违规求助? 2836903
关于积分的说明 8011789
捐赠科研通 2499260
什么是DOI,文献DOI怎么找? 1334185
科研通“疑难数据库(出版商)”最低求助积分说明 637096
邀请新用户注册赠送积分活动 605032