iDrug目标

iDrug靶点:通过基准数据集优化方法预测药物化合物与靶蛋白在细胞网络中的相互作用。在细胞网络中药物与蛋白质相互作用的信息对于药物开发是非常重要的。不幸的是,所有现有的识别药物-蛋白质相互作用的预测因子都是由一个倾斜的基准数据集训练而来的,其中非相互作用的药物-蛋白质对的数量远远大于相互作用的。使用这种高度不平衡的基准数据集来训练预测因子,会导致许多相互作用的药物-蛋白质对可能被错误地预测为非交互作用。由于少数交互对往往包含了药物设计中最重要的信息,因此有必要尽量减少这种预测失误。在本研究中,我们采用邻域清理规则和合成少数过采样技术来处理倾斜的基准数据集,平衡正负子集。由此获得的新基准数据集称为优化基准数据集,在此基础上开发了一个新的预测因子iDrug Target,它包含四个子预测因子:iDrug GPCR、iDrug Chl、iDrug Ezy和iDrug NR,专门用于识别药物化合物与GPCRs(G-蛋白偶联受体)的相互作用,离子通道、酶和核受体。对一组实验证实的数据集进行严格的交叉验证表明,这些新的预测值显著优于现有的预测值。为了最大限度地提高用户的便利性,在http://www.jci-bioinfo.cn/iDrug-Target/,用户可以很容易地得到他们想要的结果。前面提到的策略在其他许多领域也没有得到广泛的应用。


zbMATH中的参考文献(参考文献13条)

显示结果1到13,共13个。
按年份排序(引用)

  1. 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)
  2. 白、小鹿;陈晓林:Bac2A抗菌肽的合理设计、构象分析和膜渗透动力学研究(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. 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)
  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. 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)
  8. 张胜利;段欣:用过采样方法预测蛋白质亚细胞定位和周氏通用PseAAC(2018)
  9. 西藏,阿布多拉;洛佩斯,约斯瓦尼;拉尔,Sunil Pranit;他哈撒代,迦撒勒;迈克尔森,雅各布;萨塔尔,阿卜杜勒;津田、大冢子;Sharma,Alok:PSSM Suc:使用位置特异性评分矩阵精确预测琥珀酰化,用于特征提取(2017)
  10. 可汗,穆斯林;哈亚特,马苏德;可汗,谢尔·阿夫扎尔;艾哈迈德,赛义德;Iqbal,Nadeem:Bi-PSSM:基于位置特异性评分矩阵的分枝杆菌膜蛋白识别智能计算模型(2017)
  11. 帕伊,普里亚达尔希尼P。;达什,提尔塔拉吉;Mondal,Sukanta:使用概率方法对蛋白质RNA相互作用残基的序列识别(2017)
  12. 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)
  13. 焦亚森;杜步峰:利用周氏伪氨基酸组成的一般形式预测高尔基体驻留蛋白类型:最小冗余最大相关特征选择方法(2016)