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
feijelly完成签到,获得积分10
4秒前
5秒前
木又完成签到 ,获得积分10
6秒前
酷酷小子完成签到 ,获得积分10
6秒前
zoie0809发布了新的文献求助10
9秒前
青羽落霞完成签到 ,获得积分10
9秒前
ycc完成签到,获得积分10
11秒前
zoie0809完成签到,获得积分10
14秒前
Ray完成签到 ,获得积分10
23秒前
如初完成签到 ,获得积分10
24秒前
hsrlbc完成签到,获得积分10
28秒前
美满的皮卡丘完成签到 ,获得积分10
33秒前
安安滴滴完成签到 ,获得积分10
34秒前
如意的馒头完成签到 ,获得积分10
34秒前
amy完成签到,获得积分20
35秒前
ZCH1111完成签到,获得积分10
39秒前
amy发布了新的文献求助10
39秒前
杳鸢应助ZCH1111采纳,获得20
46秒前
古炮发布了新的文献求助50
47秒前
笨笨忘幽完成签到,获得积分10
47秒前
九月完成签到 ,获得积分10
50秒前
Milo完成签到,获得积分10
54秒前
ChouNic完成签到 ,获得积分10
55秒前
jeronimo完成签到,获得积分10
55秒前
小小果妈完成签到 ,获得积分10
59秒前
1分钟前
wyt完成签到,获得积分10
1分钟前
wyt发布了新的文献求助10
1分钟前
yupingqin完成签到 ,获得积分10
1分钟前
可靠的书桃完成签到 ,获得积分10
1分钟前
L_l完成签到 ,获得积分10
1分钟前
george完成签到,获得积分10
1分钟前
宇文雨文完成签到 ,获得积分10
1分钟前
sunny完成签到 ,获得积分10
1分钟前
george发布了新的文献求助10
1分钟前
Driscoll完成签到 ,获得积分10
1分钟前
无语的冰淇淋完成签到 ,获得积分10
1分钟前
Wangbeibei发布了新的文献求助10
1分钟前
月亮完成签到 ,获得积分10
2分钟前
小巷夜雨完成签到 ,获得积分10
2分钟前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3183763
求助须知:如何正确求助?哪些是违规求助? 2833786
关于积分的说明 7995586
捐赠科研通 2496028
什么是DOI,文献DOI怎么找? 1331890
科研通“疑难数据库(出版商)”最低求助积分说明 636455
邀请新用户注册赠送积分活动 603625