清晨好,您是今天最早来到科研通的研友!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,伴您科研之路漫漫前行!

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
爆米花应助科研通管家采纳,获得30
5秒前
neu_zxy1991完成签到,获得积分10
1分钟前
可爱的函函应助wpj采纳,获得10
2分钟前
修管子完成签到 ,获得积分10
2分钟前
2分钟前
CodeCraft应助稳重的静丹采纳,获得10
2分钟前
科研通AI2S应助安静的初阳采纳,获得10
3分钟前
妖哥完成签到,获得积分10
3分钟前
vbnn完成签到 ,获得积分10
3分钟前
通科研完成签到 ,获得积分10
3分钟前
4分钟前
早睡早起完成签到 ,获得积分10
4分钟前
wpj发布了新的文献求助10
4分钟前
共享精神应助wpj采纳,获得10
4分钟前
xun完成签到,获得积分10
4分钟前
hwen1998完成签到 ,获得积分10
5分钟前
HS完成签到,获得积分10
5分钟前
斯文败类应助Gab_bb采纳,获得10
6分钟前
7分钟前
Gab_bb发布了新的文献求助10
7分钟前
科研通AI2S应助wpj采纳,获得10
7分钟前
imi完成签到 ,获得积分0
8分钟前
123完成签到 ,获得积分10
8分钟前
oscar发布了新的文献求助10
8分钟前
天天快乐应助稳重的静丹采纳,获得10
8分钟前
poki完成签到 ,获得积分10
8分钟前
无产阶级科学者完成签到,获得积分10
8分钟前
9分钟前
9分钟前
9分钟前
wpj发布了新的文献求助10
9分钟前
李健的小迷弟应助skier采纳,获得10
9分钟前
冬去春来完成签到 ,获得积分10
11分钟前
jasmine完成签到 ,获得积分10
11分钟前
孤独夜阑完成签到,获得积分10
11分钟前
widesky777完成签到 ,获得积分0
12分钟前
浚稚完成签到 ,获得积分10
13分钟前
ww完成签到,获得积分10
13分钟前
13分钟前
fev123完成签到,获得积分10
14分钟前
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 3192671
求助须知:如何正确求助?哪些是违规求助? 2841700
关于积分的说明 8034537
捐赠科研通 2505399
什么是DOI,文献DOI怎么找? 1338545
科研通“疑难数据库(出版商)”最低求助积分说明 638361
邀请新用户注册赠送积分活动 606923