pLM4Alg: Protein Language Model-Based Predictors for Allergenic Proteins and Peptides

卷积神经网络 计算机科学 机器学习 功能(生物学) 人工智能 蛋白质功能 计算生物学 生物 生物化学 基因 进化生物学
作者
Zhenjiao Du,Yixiang Xu,Changqi Liu,Yonghui Li
出处
期刊:Journal of Agricultural and Food Chemistry [American Chemical Society]
卷期号:72 (1): 752-760 被引量:8
标识
DOI:10.1021/acs.jafc.3c07143
摘要

The rising prevalence of allergy demands efficient and accurate bioinformatic tools to expedite allergen identification and risk assessment while also reducing wet experiment expenses and time. Recently, pretrained protein language models (pLMs) have successfully predicted protein structure and function. However, to our best knowledge, they have not been used for predicting allergenic proteins/peptides. Therefore, this study aims to develop robust models for allergenic protein/peptide prediction using five pLMs of varying sizes and systematically assess their performance through fine-tuning with a convolutional neural network. The developed pLM4Alg models have achieved state-of-the-art performance with accuracy, Matthews correlation coefficient, and area under the curve scoring 93.4–95.1%, 0.869–0.902, and 0.981–0.990, respectively. Moreover, pLM4Alg is the first model capable of handling prediction tasks involving residue-missed sequences and sequences containing nonstandard amino acid residues. To facilitate easy access, a user-friendly web server (https://f6wxpfd3sh.us-east-1.awsapprunner.com) has been established. pLM4Alg is expected to become the leading machine learning-based prediction model for allergenic peptides and proteins. Its collaboration with other predictors holds great promise for accelerating allergy research.
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
只想顺利毕业的科研狗完成签到,获得积分10
1秒前
Tina酱完成签到,获得积分10
1秒前
Helios完成签到,获得积分10
1秒前
xueshidaheng完成签到,获得积分10
2秒前
素行完成签到 ,获得积分10
3秒前
风信子完成签到,获得积分10
3秒前
胡质斌完成签到,获得积分10
4秒前
hutian完成签到,获得积分10
4秒前
糊涂的丹南完成签到 ,获得积分10
4秒前
风中的老九完成签到,获得积分10
4秒前
Pt-SACs完成签到,获得积分20
4秒前
冰阔落完成签到 ,获得积分10
5秒前
nanostu完成签到,获得积分10
6秒前
Brief完成签到,获得积分10
6秒前
鹏举瞰冷雨完成签到,获得积分10
6秒前
Jason完成签到 ,获得积分10
7秒前
果子爱学习完成签到 ,获得积分10
7秒前
CipherSage应助科研通管家采纳,获得30
7秒前
无味完成签到,获得积分10
14秒前
steven完成签到 ,获得积分10
14秒前
直率无春完成签到,获得积分10
16秒前
车 干完成签到,获得积分10
16秒前
哟呵完成签到,获得积分10
17秒前
何阳完成签到 ,获得积分10
18秒前
gyx完成签到 ,获得积分10
20秒前
飞龙在天完成签到,获得积分0
23秒前
WTH完成签到,获得积分10
23秒前
高大绝义完成签到,获得积分10
24秒前
V_I_G完成签到,获得积分10
24秒前
25秒前
满唐完成签到 ,获得积分10
26秒前
qqq完成签到 ,获得积分10
27秒前
木雨亦潇潇完成签到,获得积分10
30秒前
韭菜发布了新的文献求助10
31秒前
zheng完成签到 ,获得积分10
31秒前
lwk205完成签到,获得积分10
31秒前
小文完成签到 ,获得积分10
32秒前
Research完成签到 ,获得积分10
35秒前
雯雯完成签到,获得积分10
37秒前
Zzz完成签到,获得积分10
39秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
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 3244804
求助须知:如何正确求助?哪些是违规求助? 2888434
关于积分的说明 8252975
捐赠科研通 2556941
什么是DOI,文献DOI怎么找? 1385542
科研通“疑难数据库(出版商)”最低求助积分说明 650176
邀请新用户注册赠送积分活动 626303