Pse合一

Pse-in-One：一个web服务器，用于生成DNA、RNA和蛋白质序列的各种伪组件。随着后基因组时代生物序列的大量涌现，计算生物学中最具挑战性的问题之一就是如何有效地构造生物样本（如DNA、RNA或蛋白质）的序列用一个离散模型或一个能有效反映其序列模式信息或捕捉其关键特征的向量。虽然开发了一些web服务器和独立工具来解决这个问题，但是所有这些工具只能处理一种类型的示例。此外，它们的内建属性的数量是有限的，因此用户通常很难根据它们期望的特征或特性来制定生物序列。在本文中，我们将使用大量的内置属性，提出一个更加灵活的web服务器Pse-In-One(http://bioinformatics.hitsz.edu.cn/Pse-in-One/)，它可以通过28种不同的模式，生成几乎所有可能的DNA、RNA和蛋白质序列的特征向量。特别是，它还可以生成具有用户自己定义的属性的特征向量。这些特征向量可以很容易地与机器学习算法相结合，为生物信息学和系统生物学中的各种任务开发计算预测和分析方法。预计Pse-in-One-web服务器将成为计算蛋白质组学、基因组学以及生物序列分析的一个非常有用的工具。此外，为了最大限度的方便用户，其独立版本也可以从http://bioinformatics.hitsz.edu.cn/Pse-in-One/download/，直接运行在Windows、Linux、Unix和Mac操作系统上。

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中的参考文献（参考文献41条)

显示第1到第20个结果，共41个。
按年份排序(引用)
  1. 阿迪丽娜，谢赫；法里德，德万医学博士；Shatabda，Swakkhar:通过周的通用PseAAC使用关键特征预测有效的DNA结合蛋白（2019）
  2. 艾哈迈德，贾迈勒；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）
  3. 白、小鹿；陈晓林：Bac2A抗菌肽的合理设计、构象分析和膜渗透动力学研究（2019年）
  4. 陈国栋；曹操，伙计；俞佳琳；郭新云；施少平：周氏通用PseAAC结合六种特征对原核生物赖氨酸乙酰化位点的预测与功能分析（2019）
  5. 侯赛因，瓦卡尔；汗，亚瑟·达尼尔；拉苏尔，努曼；可汗，谢尔·阿夫扎尔；周国琛：Sprenlc PseAAC：基于序列的模型，通过Chou的5步规则和通用PseAAC来识别蛋白质中的s-prenylization位点（2019年）
  6. 贾建华；李小燕；邱，王仁；晓萱；周国臣：iPPI PseAAC（CGR）：通过将混沌博弈表示纳入PseAAC（2019年），识别蛋白质-蛋白质相互作用
  7. 汗，亚瑟·达尼尔；雅米勒，米伦；侯赛因，瓦卡尔；拉苏尔，努曼；可汗，谢尔·阿夫扎尔；周国琛：psbond-PseAAC：利用PseAAC和统计矩积分预测二硫键位点（2019）
  8. 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-最近邻算法检测蛋白质序列中的甲酰化位点（2019）
  9. 潘毅；王世元；张琪；陆谦子；苏东青；左永春；杨磊：周氏不同伪成分和还原氨基酸组成对动物毒素的分析与预测（2019）
  10. 青、杨；仓直、贾；李桃英：基于稀疏自编码特征提取和集成分类器的适体-蛋白质相互作用对预测（2019）
  11. 穆罕默德，穆罕默德；塔亚拉，希拉；Chong，Kil-To:iRNA-PseKNC（2甲基）：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）
  12. 田宝光；吴雪；陈，程；邱文英；马、秦；于斌：融合不同的周氏伪成分并使用小波去噪方法预测蛋白质-蛋白质相互作用（2019）
  13. 王立东；张瑞军；Mu，Yashuang:Fu-SulfPred:通过Chou'S general PseAAC确定蛋白质S-硫基化位点（2019）
  14. 赵薇；李广平；王军；周，袁科；高、杨；Du，Pu Feng:结合功能域富集分数和伪氨基酸组成预测蛋白质亚高尔基体位置（2019）
  15. 阿克巴，沙希德；Hayat，Maqsood:二甲基STTNC:通过将SAAC的概念扩展到Chou的PseAAC中以形成RNA序列来识别N（^6）-甲基腺苷位点（2018）
  16. 阿里夫，穆罕默德；哈亚特，马苏德；Jan，Zahoor:IMem-2LSAAC：通过将SAAC的概念扩展到Chou的伪氨基酸组成来区分膜蛋白及其类型的两级模型（2018）
  17. Contreras Torres，Ernesto:通过将蛋白质的全局和局部物理化学和构象特性纳入到general Chou的PseAAC中来预测蛋白质的结构类别（2018）
  18. 贾、仓植；杨青；邹全：NucPosPred:general PseKNC的四种不同模式预测物种特异性基因组核小体定位（2018）
  19. 居哲；王士云：基于mRMR特征选择和模糊支持向量机算法的S-磺基化位点预测（2018）
  20. 梁云云；张胜利：通过Kullback-Leibler Difference将不同模式的PSSM整合到周氏的通用PseAAC中，识别革兰氏阴性细菌分泌的蛋白质类型（2018）