iPro54 PseKNC公司

iPro54-PseKNC:一种基于序列的预测因子,用于识别具有伪k-元组核苷酸组成的原核生物中sigma-54启动子。σ(54)启动子是原核基因组中唯一的启动子,负责转录碳和氮相关基因。随着后基因组时代产生的基因组序列的雪崩,人们迫切需要开发一种能够快速有效地识别σ(54)启动子的自动化方法。在这里,一个被称为“iPro54 PseKNC”的预测因子被开发出来。在预测器中,DNA序列样本由一个新的特征向量“伪k-元组核苷酸组成”构成,并通过增量特征选择过程进一步优化。iPro54 PseKNC在严格的基准数据集上进行了严格的刀交叉验证测试。作为一个用户友好的web服务器,iPro54 PseKNC可以在http://lin.uestc.edu.cn/server/iPro54-PseKNC。为了方便广大实验科学家,本文提供了一个逐步的协议指南,说明如何使用web服务器来获得所需的结果,而不需要遵循本文中提出的复杂数学模型。同时,我们还通过深入的统计分析发现,转录起始位点和翻译起始位点之间的距离分布受伽马分布的控制,这为研究σ(54)启动子提供了一个基本的物理原理。


zbMATH中的参考文献(参考文献34条)

显示第1到第20个结果,共34个。
按年份排序(引用)
  1. 丁晨晨;韩海涛;李千岳;杨晓霞;刘太刚:iT3SE-PX:利用PSSM图谱和XGBoost特征选择识别细菌III型分泌效应器(2021)
  2. 孙安;晓萱;徐兆春:iPTT(2L)-CNN:用卷积神经网络识别植物基因组启动子及其类型的两层预测因子(2021)
  3. 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)
  4. 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)
  5. 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
  6. 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)
  7. 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)
  8. 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)
  9. 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)
  10. 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)
  11. 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)
  12. 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)
  13. 赵家豪;狄龙,塔拉姆S。;陈一平:RNA家族中大规模频繁茎模式挖掘(2018)
  14. 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)
  15. 桑卡里,湿婆;Manimgalai,D.:通过将一个新的特征集整合到周的通用PseAAC中来预测膜蛋白类型(2018)
  16. 阿披实喀斯利瓦斯塔瓦;库马尔,拉文德拉;Kumar,Manish:BlaPred:通过Chou's general PseAAC使用三层预测系统预测和分类(\β-内酰胺酶)(2018)
  17. 塔拉弗德,苏米特;Toukir Ahmed,医学博士。;伊克巴尔,苏美亚;Tamjidul Hoque,医学博士;Sohel Rahman,M.:RBSURFRED:使用正则化和优化回归在真实和二进制空间中建模蛋白质可及表面积(2018)
  18. 田昆;赵欣;Yau,Stephen S.-T.:生物群进化和系统发育关系的凸壳分析(2018)
  19. 张胜利;梁云云:结合自相关和PSSM预测凋亡蛋白亚细胞定位(2018)
  20. 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)