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
SHIKI完成签到,获得积分10
刚刚
哆小咪完成签到 ,获得积分10
1秒前
5秒前
風來完成签到,获得积分10
6秒前
doo完成签到,获得积分10
7秒前
xiaoxiao发布了新的文献求助10
10秒前
Loey完成签到,获得积分10
11秒前
乐乐应助舒服的远望采纳,获得10
12秒前
石玉洁完成签到,获得积分10
13秒前
14秒前
Ava应助南栀采纳,获得10
15秒前
糊涂的丹南完成签到 ,获得积分10
15秒前
鱼鱼鱼完成签到 ,获得积分10
16秒前
左丘酬海发布了新的文献求助10
17秒前
17秒前
prophage完成签到,获得积分10
18秒前
18秒前
张瑞雪完成签到 ,获得积分10
20秒前
许七安完成签到,获得积分20
21秒前
微微发布了新的文献求助30
21秒前
prophage发布了新的文献求助30
22秒前
537发布了新的文献求助10
23秒前
冷傲初夏发布了新的文献求助10
24秒前
dongzh完成签到 ,获得积分10
26秒前
27秒前
zshhay完成签到 ,获得积分10
27秒前
许七安发布了新的文献求助10
27秒前
28秒前
桐桐应助直率无春采纳,获得10
28秒前
所所应助Doctor120采纳,获得10
28秒前
亦hcy完成签到,获得积分10
30秒前
南栀发布了新的文献求助10
31秒前
金刚经应助泽灵采纳,获得10
31秒前
31秒前
田様应助直率无春采纳,获得10
32秒前
亦hcy发布了新的文献求助10
33秒前
糕糕完成签到 ,获得积分10
33秒前
火星上的雨莲完成签到,获得积分10
35秒前
35秒前
36秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Dictionary of socialism 350
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 3193694
求助须知:如何正确求助?哪些是违规求助? 2842680
关于积分的说明 8040436
捐赠科研通 2506763
什么是DOI,文献DOI怎么找? 1339363
科研通“疑难数据库(出版商)”最低求助积分说明 638752
邀请新用户注册赠送积分活动 607445