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
wangzx315发布了新的文献求助10
6秒前
lemonlmm应助wangzx315采纳,获得30
21秒前
自由半雪应助Jenny采纳,获得30
57秒前
1分钟前
上官若男应助调皮醉波采纳,获得10
1分钟前
压寨猫夫人完成签到,获得积分10
2分钟前
yoona发布了新的文献求助10
2分钟前
bkagyin应助风落采纳,获得10
2分钟前
友好寻琴完成签到 ,获得积分10
3分钟前
学术小白完成签到,获得积分10
4分钟前
4分钟前
Jenny完成签到,获得积分10
4分钟前
qifei发布了新的文献求助10
4分钟前
5分钟前
调皮醉波发布了新的文献求助10
5分钟前
1437594843完成签到 ,获得积分10
6分钟前
Banbor2021完成签到,获得积分10
6分钟前
lixuebin完成签到 ,获得积分10
6分钟前
8分钟前
风落发布了新的文献求助10
8分钟前
安安放完成签到,获得积分10
8分钟前
安安放发布了新的文献求助10
8分钟前
Much完成签到 ,获得积分10
8分钟前
情怀应助安安放采纳,获得10
8分钟前
充电宝应助风落采纳,获得10
8分钟前
10分钟前
风落发布了新的文献求助10
10分钟前
10分钟前
liguyi发布了新的文献求助30
10分钟前
Ava应助简宁采纳,获得10
11分钟前
风落完成签到,获得积分10
11分钟前
liguyi完成签到,获得积分10
11分钟前
11分钟前
yeah发布了新的文献求助10
11分钟前
香蕉觅云应助11采纳,获得10
12分钟前
xuan发布了新的文献求助10
12分钟前
xuan完成签到,获得积分20
12分钟前
善学以致用应助xuan采纳,获得10
12分钟前
12分钟前
lovelife完成签到,获得积分10
13分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
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 3200772
求助须知:如何正确求助?哪些是违规求助? 2850511
关于积分的说明 8072235
捐赠科研通 2514255
什么是DOI,文献DOI怎么找? 1346981
科研通“疑难数据库(出版商)”最低求助积分说明 640305
邀请新用户注册赠送积分活动 610475