道具

propy：一个生成周氏PseAAC各种模式的工具。摘要：序列衍生的结构和理化特性经常被用来分析和预测蛋白质和肽的结构、功能、表达和相互作用。为了促进对蛋白质和肽的广泛研究，我们开发了一个免费的、开源的python包，名为protein-python（propy），用于根据氨基酸序列计算蛋白质和肽的广泛使用的结构和物理化学特征。计算了氨基酸组成、二肽组成、三肽组成、归一化Moreau-Broto自相关、Moran自相关、Geary自相关、序列序耦合数、拟序序描述符、组成、共13个特征组成的5个特征组，氨基酸的结构和化学性质。这些特征可以看作是周杰伦不同的PseAAC模式。此外，它还可以根据用户定义的属性轻松地计算前面的描述符，这些属性可以从AAindex数据库自动获得。可用性：python包propy可以通过http://code.google.com/p/protpy/downloads/list免费获得，它可以在Linux和MS Windows上运行。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH参考文献（27篇文章引用）

显示第1到第20个结果，共27个。
按年份排序(引用)
  1. Ahmad，Jamal；Hayat，Maqsood:MFSC:采用Chou's PseAAC成分的一般形式对高尔基蛋白进行分类的基于多投票的特征选择（2019年）
  2. 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）
  3. 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
  4. Khan，Yaser Daanial；Jamil，Mehreen；Hussain，Waqar；Rasool，Nouman；Khan，Sher Afzal；Chou，Kuo Chen:PSBOND PseAAC：通过PseAAC和统计矩积分预测二硫键合位点（2019年）
  5. 宁，乔；马志强；赵晓伟：Dforml（KNN）-PseAAC：通过周的5步规则和伪成分，使用K近邻算法检测蛋白质序列中的甲酰化位点（2019）
  6. Tahir，Muhammad；Tayara，Hilal；Chong，Kil-To:iRNA-PseKNC（2methyl）：通过卷积神经网络和Chou的伪成分识别RNA 2'-O-甲基化位点（2019年）
  7. Arif，Muhammad；Hayat，Maqsood；Jan，Zahoor:IMem-2LSAAC：通过将SAAC的概念扩展到Chou的伪氨基酸组成中来识别膜蛋白及其类型的两级模型（2018年）
  8. 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）
  9. Amina Asif，Wajid Arshad Abbasi，Farzeen Munir，Asa Ben Hur，Fayyaz ul Amir Afsar Minhas：生物信息学应用的大幅度多实例分类和排名（2017）阿尔十四
  10. Ali，Farman；Hayat，Maqsood:使用混合特征空间识别细胞外基质蛋白质的机器学习方法（2016）
  11. 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）
  12. 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）
  13. 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）
  14. Ali，Farman；Hayat，Maqsood:结合Chou的伪氨基酸组成，使用投票特征区间对膜蛋白类型进行分类（2015）
  15. 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）
  16. Khan，Zaheer Ullah；Hayat，Maqsood；Khan，Muazzam Ali:使用Chou的伪氨基酸组成结合概率神经网络模型识别酸性和碱性酶（2015）
  17. 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）
  18. Bakhtiarizadeh，Mohammad Reza；Moradi Shahrbaak，Mohammad；Ebrahimi，Mansour；Ebrahimie，Esmaeil:神经网络和支持向量机分类器准确预测脂质结合蛋白，不考虑序列同源性（2014）
  19. Hajisharifi，Zohre；Piryaeie，Movien；Mohammad Beigi，Majid；Behbahani，Mandana；Mohabatkar，Hassan：用Chou的伪氨基酸成分预测抗癌肽并通过ames试验调查其致突变性（2014年）
  20. Lyons，James；Biswas，Neela；Sharma，Alok；Dehangi，Abdollah；Paliwal，Kuldip K.：使用核化动态时间扭曲法通过氨基酸残基对齐进行蛋白质折叠识别（2014）