前内酰胺酶

用周氏伪氨基酸组成和支持向量机预测β-内酰胺酶及其类群。β-内酰胺类抗生素是一类主要的抗微生物药物。抗生素在治疗细菌感染中的广泛和不加选择的使用,促使了一些逃避抗生素致命作用的机制的演变。β-内酰胺酶是一种内生酶,通过切割β-内酰胺环使细菌对β-内酰胺类抗生素产生耐药性。β-内酰胺酶家族按一级结构分为A、B、C、D四类,B类为金属酶,A、C、D在酶催化中不需要任何金属。本研究提出了一种基于支持向量机的两水平β-内酰胺酶蛋白质预测方法,该方法在第一水平上区分β-内酰胺酶和非β-内酰胺酶,然后在第二水平将预测的β-内酰胺酶分为不同的类别。我们评估了不同输入向量的性能,即简单氨基酸组成、1型和2型周氏伪氨基酸组成。比较结果表明,以1型伪氨基酸组成为训练基的支持向量机模型性能最好。在第一级,我们能够将β-内酰胺酶和非β-内酰胺酶进行分类,准确率为90.63%。在第二水平上,我们发现A级、B级、C级和D级的最大准确率分别为61.82%、89.09%、70.91%和70.91%。此外,还开发了一个网络服务器以及独立的前内酰胺酶,以使科学界能够使用该方法,可访问http://14.139.227.92/mkumar/pre-lactamase。


zbMATH参考文献(参考12篇文章)

显示第1到第12个结果,共12个。
按年份排序(引用)

  1. Hussain,Waqar;Khan,Yaser Daanial;Rasool,Nouman;Khan,Sher Afzal;Chou,Kuo Chen:Sprenlc PseAAC:通过Chou的5步规则和通用PseAAC开发的序列模型,用于识别蛋白质中的s-prenylization位点(2019年)
  2. 贾建华;李晓燕;邱,王仁;肖,宣;周,郭晨:iPPI PseAAC(CGR):通过将混沌博弈表示纳入PseAAC(2019年),识别蛋白质相互作用
  3. Cheng,Xiang;Xiao,Xuan;Chou,Kuo Chen:pLoc峈bal-mGneg:通过准平衡训练数据集和通用PseAAC预测革兰氏阴性细菌蛋白质的亚细胞定位(2018)
  4. Srivastava,Abhishikha;Kumar,Ravindra;Kumar,Manish:BlaPred:通过Chou的general PseAAC使用三层预测系统预测和分类(\β-内酰胺酶)(2018年)
  5. Jia,Jianhua;Liu,Zi;Xiao,Xuan;Liu,Bingxiang;Chou,Kuo Chen:pSuc-Lys:用PseAAC和集合随机森林法预测蛋白质中赖氨酸琥珀酰化位点(2016)
  6. 焦亚森;杜步峰:利用周氏伪氨基酸组成的一般形式预测高尔基体驻留蛋白类型:最小冗余最大相关特征选择方法(2016)
  7. 焦亚森;杜步峰:利用伪氨基酸组成预测高尔基体驻留蛋白质类型:基于位置特异性物理化学性质的方法(2016)
  8. Mishra,Avdesh;Iqbal,Sumaiya;Hoque,Md Tamjidul:通过使用基于为所有原子计算的无处不在的phi和psi角的评分函数来区分蛋白质诱饵和天然诱饵(2016年)
  9. Muthu Krishnan,S.:通过混合方法将进化信息整合到通用PseAAC中,对脊椎动物血红蛋白蛋白质进行分类(2016年)
  10. 杨连平;张向德;傅皓月;杨晨辉:基于最小缺失词的基因组局部分析估计器(2016)
  11. Ju,Zhe;Cao,Jun Zhe;Gu,Hong:iLM-2L:通过将K-gap氨基酸对合并到Chou的general PseAAC中来识别蛋白质赖氨酸甲基化位点及其甲基化程度的两级预测因子(2015)
  12. Kumar,Ravindra;Srivastava,Abhishikha;Kumari,Bandana;Kumar,Manish:用Chou的伪氨基酸组成和支持向量机预测(\β)-内酰胺酶及其类别(2015)