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
XSDXXZ发布了新的文献求助10
刚刚
刚刚
辛勤夜柳发布了新的文献求助10
1秒前
巽风发布了新的文献求助10
2秒前
番茄炒蛋完成签到 ,获得积分10
2秒前
mky完成签到 ,获得积分10
4秒前
小方完成签到,获得积分10
4秒前
大郎发布了新的文献求助10
5秒前
庾稀发布了新的文献求助10
6秒前
情怀应助YAN77采纳,获得10
13秒前
wu发布了新的文献求助10
14秒前
14秒前
十七应助wsz采纳,获得10
14秒前
菜鸡5号完成签到,获得积分10
15秒前
haha发布了新的文献求助10
17秒前
17秒前
漠悲漠痛完成签到,获得积分10
18秒前
jasam3514完成签到,获得积分10
19秒前
漠悲漠痛发布了新的文献求助10
20秒前
栗子完成签到,获得积分10
21秒前
21秒前
赘婿应助清新的静枫采纳,获得10
23秒前
庾稀完成签到,获得积分10
23秒前
求求大哥们完成签到,获得积分10
23秒前
李爱国应助糖伯虎采纳,获得10
26秒前
28秒前
科研通AI2S应助淡水痕采纳,获得10
28秒前
33秒前
33秒前
科研通AI2S应助xigua采纳,获得10
35秒前
36秒前
调研昵称发布了新的文献求助30
38秒前
38秒前
Jasper应助危机的涵柏采纳,获得10
38秒前
40秒前
可爱的函函应助lll采纳,获得10
42秒前
ch发布了新的文献求助10
43秒前
儒雅涵易完成签到 ,获得积分10
44秒前
44秒前
liz发布了新的文献求助10
45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 3192229
求助须知:如何正确求助?哪些是违规求助? 2841553
关于积分的说明 8033612
捐赠科研通 2505092
什么是DOI,文献DOI怎么找? 1338352
科研通“疑难数据库(出版商)”最低求助积分说明 638287
邀请新用户注册赠送积分活动 606878