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。细胞中的许多重要功能是通过蛋白质来实现的。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”。在预测器中,蛋白质样本是通过将以下两类信息合并到PseAAC(伪氨基酸组成)的一般形式中来构造的:(1)由蛋白质组成的氨基酸所导出的物理化学性质;(2)由蛋白质链上的数值序列导出的小波变换。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。已在http://www.jci-bioinfo.cn/iPPI-Esml上建立了新的predictor网络服务器。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


数学参考文献

显示第1到第20个结果,共26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. 基于Hayqsad的多组分选择法:基于HayPsead的多组分选择法(2019年,基于HayPsead的蛋白质分类法:基于HayPsoD的多组分)
  3. 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
  4. Kocheturov,Anton;Pardalos,Panos 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,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)
  6. 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)
  7. 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)
  8. Arif,Muhammad;Hayat,Maqsood;Jan,Zahoor:IMem-2LSAAC:通过将SAAC的概念扩展到Chou的伪氨基酸组成中来识别膜蛋白及其类型的两级模型(2018年)
  9. Cheng,Xiang;Xiao,Xuan;Chou,Kuo Chen:pLoc峈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;付,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;李文英;李珊珊;崔晓雯;俞昭敏;王明辉;杜俊伟;彭彦军;俞斌:通过将伪位置特异性评分矩阵纳入周氏伪氨基酸组成预测蛋白质亚软骨位置(2018)
  14. Sabooh,M.Fazli;Iqbal,Nadeem;Khan,Mukhtaj;Khan,穆斯林;Maqbool,H.F.:使用复合编码特征识别RNA序列中的5-甲基胞嘧啶位点到Chou的PseKNC中(2018年)
  15. Srivastava,Abhishikha;Kumar,Ravindra;Kumar,Manish:BlaPred:通过Chou的general PseAAC使用三层预测系统预测和分类(\β-内酰胺酶)(2018年)
  16. 焦,熊;兰加纳坦,肖巴:基于残留物相互作用网络特征的界面残留预测(2017)
  17. Saghapour,Ehsan;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,纪勇;边,陶勇: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. Ali,Farman;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. Jia,Jianhua;Liu,Zi;Xiao,Xuan;Liu,Bingxiang;Chou,Kuo Chen:pSuc-Lys: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)