iDNA防护

iDNA-Prot:用灰色模型随机森林法鉴定DNA结合蛋白。DNA结合蛋白在各种细胞过程中起着至关重要的作用。开发高通量快速有效识别DNA结合蛋白的工具是基因组注释领域的主要挑战之一。虽然在这方面已经做了很多努力,但还需要进一步努力提高预测能力。通过将这些特征融入“灰色模型”从蛋白质序列中提取的伪氨基酸组成的一般形式,并采用随机森林操作引擎,提出了一种新的预测因子iDNA-Prot,用于仅根据氨基酸序列信息识别非特征蛋白为DNA结合蛋白或非DNA结合蛋白。通过对一个新构建的严格的基准数据集进行刀切试验,iDNA-Prot的总成功率为83.96%25%成对序列同一子集中的任何其他序列。除了获得较高的成功率外,iDNA-Prot的计算时间与现有的相关预测因子相比显著缩短。因此,idnaprot有望成为DNA结合蛋白大规模分析的高通量工具。作为一个用户友好的web服务器,iDNA Prot可供公众在网站上免费访问http://icpr.jci.edu.cn/bioinfo/iDNA-Prot或者http://www.jci-bioinfo.cn/iDNA-Prot。此外,为了方便广大实验科学家,我们提供了一个分步指南,介绍如何使用web服务器来获得所需的结果。


zbMATH中的参考文献(参考文献16条)

显示第1到16个结果,共16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. 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)
  3. 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
  4. 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)
  5. 程、香;晓萱;Chou,Kuo Chen:pLoc逯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)
  6. 梅,娟;傅易;赵,季:用特征选择和周的一般伪氨基酸组成分析和预测离子通道抑制剂(2018)
  7. 萨博,M.法兹利;伊克巴尔、纳迪姆;可汗,穆赫塔吉;可汗,穆斯林;Maqbool,H.F.:利用复合编码特征识别RNA序列中的5-甲基胞嘧啶位点到周氏PseKNC中(2018)
  8. 焦熊;Ranganathan,Shoba:基于残留物相互作用网络特征的界面残留预测(2017)
  9. 阿里,法尔曼;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)
  10. 贾建华;刘、子;晓萱;刘炳祥;周国臣:pSuc赖氨酸: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)
  11. 牛小辉;胡雪海;石峰;夏景波:基于混合分形特征的支持向量机预测DNA结合蛋白(2014)
  12. 于成龙;邓,莫;郑秀元;邱士忠;何荣乐。;邱士泰:蛋白质空间:认识蛋白质宇宙本质的自然方法(2013)
  13. 贾汉迪德,萨马德;Mahdavi,Abbas:RFCRYS:基于序列的蛋白质结晶倾向的随机森林预测(2012)
  14. 贾汉迪德,萨马德;斯里尼瓦萨纳根德拉,维诺德;志德贵:《RNA结合蛋白结构域的综合比较分析与识别:多类分类与特征选择》(2012)
  15. 梅素玉:基于PseAAC公式的多标记同源知识转移学习预测植物蛋白质亚细胞多定位(2012)
  16. 米什拉,波亚;Nath Pandey,段落:基于相互信息的Elman RNN蛋白质序列分类(2012)