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。为了最大限度地方便用户，在http://www.jci-bioinfo.cn/iDrug-Target/上建立了一个面向iDrug Target的公共可访问Web服务器，用户可以通过该服务器轻松获得想要的结果。我们注意到，上述战略也可广泛应用于其他许多领域。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH参考文献（13篇文章引用）

显示结果1到13，共13个。
按年份排序(引用)

  1. Ahmad，Jamal；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. 白晓璐；陈晓林：针对脓毒症革兰阳性临床菌株的Bac2A抗菌肽的合理设计、构象分析和膜渗透动力学研究（2019）
  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. 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）
  5. 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）
  6. 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）
  7. Sankari，E.Siva；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：蛋白质亚细胞定位的过采样预测和周氏通用PseAAC（2018）
  9. Dezhangi，Abdollah；López，Yosvany；Lal，Sunil Pranit；Taherzadeh，Ghazaleh；Michaelson，Jacob；Sattar，Abdul；Tsunoda，Tatsuhiko；Sharma，Alok:PSSM Suc：使用位置特定的评分矩阵精确预测琥珀酰化，并将其应用到bigram中进行特征提取（2017）
  10. 基于Maqsood的Maqsm，Maqsood；Maqsm-based；Maqsm-based；Maqsood-based-Maqsood；Maqsm-based-Muslium-membrane-based；Maqsm-based-matrix；Maqsm-based-matrix；Maqsm-based-Music-membrane-based；Maqso
  11. 基于Dash-Yatana的蛋白质序列的概率识别法；基于DashYadal的蛋白质序列识别法
  12. 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）
  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）