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
范玉平完成签到,获得积分10
1秒前
小文子完成签到 ,获得积分10
1秒前
4秒前
kanong完成签到,获得积分0
6秒前
cfsyyfujia完成签到 ,获得积分10
13秒前
六等于三二一完成签到 ,获得积分10
26秒前
心随以动完成签到 ,获得积分10
32秒前
上善若水呦完成签到 ,获得积分10
32秒前
高贵逍遥完成签到 ,获得积分10
38秒前
修辛完成签到 ,获得积分10
40秒前
可夫司机完成签到 ,获得积分10
45秒前
guang5210完成签到,获得积分10
50秒前
soar完成签到 ,获得积分10
58秒前
冷静芹菜完成签到 ,获得积分10
1分钟前
echo完成签到 ,获得积分10
1分钟前
Ashley完成签到 ,获得积分10
1分钟前
陈秋完成签到,获得积分10
1分钟前
咸鱼莓完成签到,获得积分10
1分钟前
愉快乐瑶完成签到,获得积分10
1分钟前
貔貅完成签到,获得积分10
1分钟前
陈昇完成签到 ,获得积分10
1分钟前
咸鱼莓发布了新的文献求助10
1分钟前
学时习完成签到 ,获得积分10
1分钟前
yinhe完成签到 ,获得积分10
1分钟前
xwl9955完成签到 ,获得积分10
1分钟前
合适的寄灵完成签到 ,获得积分10
1分钟前
emxzemxz完成签到 ,获得积分10
1分钟前
海棠朵朵完成签到 ,获得积分10
1分钟前
xun完成签到,获得积分10
1分钟前
哈哈哈完成签到 ,获得积分10
1分钟前
zjq完成签到 ,获得积分10
1分钟前
调研昵称发布了新的文献求助20
2分钟前
站在巨人的肩膀上完成签到,获得积分10
2分钟前
Hollen完成签到 ,获得积分10
2分钟前
风起枫落完成签到 ,获得积分10
2分钟前
laoli2022完成签到,获得积分10
2分钟前
枯叶蝶完成签到 ,获得积分10
2分钟前
danli完成签到 ,获得积分10
2分钟前
科研废物完成签到 ,获得积分10
2分钟前
斯文败类应助永远的Tmac采纳,获得10
2分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
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 3196852
求助须知:如何正确求助?哪些是违规求助? 2845520
关于积分的说明 8054339
捐赠科研通 2510132
什么是DOI,文献DOI怎么找? 1342314
科研通“疑难数据库(出版商)”最低求助积分说明 639355
邀请新用户注册赠送积分活动 608669