已入深夜,您辛苦了!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!祝你早点完成任务,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
淡淡的若冰应助RT采纳,获得10
刚刚
CipherSage应助xiaoyan采纳,获得10
3秒前
3秒前
哈哈发布了新的文献求助10
5秒前
高贵的书本完成签到,获得积分20
6秒前
hoveind发布了新的文献求助10
7秒前
7秒前
坚强藏鸟完成签到,获得积分10
7秒前
TG_FY完成签到,获得积分10
9秒前
9秒前
华仔应助ZUOSG采纳,获得10
9秒前
11秒前
YYJ发布了新的文献求助10
13秒前
坚强藏鸟发布了新的文献求助10
13秒前
Owen应助科研通管家采纳,获得10
13秒前
orixero应助AJJACKY采纳,获得10
13秒前
NexusExplorer应助科研通管家采纳,获得30
13秒前
吾日三省吾身完成签到 ,获得积分10
14秒前
求求你了完成签到,获得积分10
19秒前
23秒前
WAYNE发布了新的文献求助10
28秒前
领导范儿应助YYJ采纳,获得10
29秒前
黄风小圣完成签到 ,获得积分10
31秒前
Qiqinnn完成签到 ,获得积分10
32秒前
32秒前
俊俊完成签到 ,获得积分0
32秒前
知性的幻巧完成签到,获得积分10
37秒前
39秒前
AJJACKY发布了新的文献求助10
39秒前
40秒前
火火完成签到 ,获得积分10
41秒前
43秒前
积极书双发布了新的文献求助10
44秒前
AJJACKY完成签到,获得积分10
45秒前
46秒前
YYJ完成签到,获得积分10
50秒前
Perion完成签到 ,获得积分10
50秒前
53秒前
xujiale发布了新的文献求助30
56秒前
Riley发布了新的文献求助10
56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
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
Актуализированная стратиграфическая схема триасовых отложений Прикаспийского региона. Объяснительная записка 360
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 3192407
求助须知:如何正确求助?哪些是违规求助? 2841591
关于积分的说明 8034035
捐赠科研通 2505217
什么是DOI,文献DOI怎么找? 1338443
科研通“疑难数据库(出版商)”最低求助积分说明 638336
邀请新用户注册赠送积分活动 606881