Pse合一

在一个网络中生成一个蛋白质序列的伪RNA。随着后基因组时代生物序列的雪崩，计算生物学中最具挑战性的问题之一就是如何用一个离散的模型或载体有效地表达生物样品（如DNA、RNA或蛋白质）的序列，以有效地反映其序列模式信息或捕获其序列关键特性。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。在这篇文章中，我们将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。另外，为了最大限度的方便用户，其单机版也可以从http://bioinformatics.hitsz.edu.cn/Pse-in-One/download/下载，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参考文献（41篇文章引用）

显示第1到第20个结果，共41个。
按年份排序(引用)
  1. Adilina，Sheikh；Farid，Dewan医学博士；Shatabda，Swakkhar：利用关键特征通过周的通用PseAAC预测有效的DNA结合蛋白（2019年）
  2. 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）
  3. 白晓璐；陈晓林：针对脓毒症革兰阳性临床菌株的Bac2A抗菌肽的合理设计、构象分析和膜渗透动力学研究（2019）
  4. 陈国栋，曹，满，俞佳林，郭新云，史少平：周氏通用PseAAC中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. 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）
  6. 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
  7. 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）
  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近邻算法检测蛋白质序列中的甲酰化位点（2019）
  9. 潘奕；王世元；张琦；陆倩子；苏东青；左永春；杨磊：周氏各种伪成分和还原氨基酸组成对动物毒素的分析与预测（2019）
  10. Qing，Yang；Cangzhi，Jia；Taoying，Li:基于稀疏自编码特征提取和集成分类器的适配子-蛋白质相互作用对的预测（2019）
  11. 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）
  12. 田宝光；吴，薛；陈，程；邱文英；马，秦；余，斌：融合周氏伪成分，利用小波去噪方法预测蛋白质-蛋白质相互作用（2019）
  13. Wang，Lidong；Zhang，Ruijun；Mu，Yashuang:Fu-SulfPred:通过Chou'S general PseAAC确定蛋白质S-硫基化位点（2019年）
  14. 赵薇；李广平；王军；周远科；高，杨；杜，蒲峰：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. Akbar，Shahid；Hayat，Maqsood:通过将SAAC的思想扩展到Chou的PseAAC中以形成RNA序列，来识别N（^6）-甲基腺苷位点（2018年）
  16. Hayzam-Maqsood扩展到二种氨基酸的膜结构；Hayzam-SaaD-C模型中的氨基酸组成；Hayqsood扩展为氨基酸的两种类型；Hayqsaimec，2018年
  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. 几种核仁定位模式（OSP-2018、Nuqian、Nuqian；PSU-2018）
  19. Ju，Zhe；Wang，Shi Yun: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整合到周氏通用PseAAC中，识别革兰氏阴性细菌分泌的蛋白质类型（2018）