iPPI Esml公司

iPPI-Esml:一个集成分类器,通过将蛋白质的物理化学性质和小波变换合并到PseAAC中来识别蛋白质之间的相互作用。一个细胞含有数千种蛋白质。细胞的许多重要功能是通过其中的蛋白质来实现的。蛋白质很少单独起作用。它们对生命至关重要的大部分功能都与各种类型的蛋白质-蛋白质相互作用(PPI)有关。因此,PPIs的知识是基础研究和药物开发的基础。随着后基因组时代蛋白质序列的雪崩,人们迫切需要开发计算方法来及时获取这类知识。本文提出了一种新的预测因子,称为“iPPI-Emsl”。在预测因子中,通过将以下两类信息合并到PseAAC(伪氨基酸组成)的一般形式中来制备蛋白质样本:(1)由蛋白质组成的氨基酸衍生的物理化学性质;(2)从蛋白质链的数值序列中导出小波变换。运行预测器的操作引擎是通过投票系统融合七个独立的随机森林引擎形成的集成分类器。从酿酒酵母的基准数据集和幽门螺杆菌的数据集中可以看出,新的预测因子在这一领域的成功率明显高于任何现有的预测因子。新的predictor׳web服务器已在http://www.jci-bioinfo.cn/iPPI-Esml。为了方便大多数实验科学家,我们进一步提供了一个循序渐进的指南,用户可以很容易地得到他们想要的结果,而不需要遵循复杂的数学发展过程


zbMATH中的参考文献(参考文献26条)

显示第1到第20个结果,共26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. 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. 科切图洛夫,安东;帕达洛斯,帕诺斯M。;Karakitsiou,Athanasia:计算生物医学的海量数据集和机器学习:趋势和挑战(2019)
  5. 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)
  6. 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)
  7. 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)
  8. 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)
  9. 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)
  10. 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)
  11. 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)
  12. 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)
  13. 邱文英;李珊珊;崔晓雯;俞昭敏;王明辉;杜俊伟;彭彦君;于斌:通过将伪位置特异性评分矩阵整合到周氏的伪氨基酸组成中来预测蛋白质亚软骨的位置(2018)
  14. 萨博,M。法兹利;伊克巴尔、纳迪姆;可汗,穆赫塔吉;可汗,穆斯林;马格布尔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Chou's PseKNC(2018)
  15. 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)
  16. 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)
  17. 埃桑萨格普尔;Sehhati,Mohammadeza:利用CGH数据预测晚期结直肠癌的转移(2017)
  18. 翟静宣;曹、田杰;安吉勇;卞永涛:通过将平均块和PSSM信息整合到通用PseAAC中,对蛋白质自身相互作用的高精度预测(2017)
  19. 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)
  20. 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)