iSNO PseAAC

iSNO-PseAAC:通过将位置特异性氨基酸倾向性与伪氨基酸组成结合来预测蛋白质中半胱氨酸S-亚硝基化位点。蛋白质的翻译后修饰(PTMs)负责传感和转导信号,以调节各种细胞功能和信号事件。S-亚硝化反应(SNO)是最重要和最普遍的ptm之一。随着后基因组时代蛋白质序列的激增,人们迫切需要开发计算方法来及时识别蛋白质中的SNO位点,因为这类信息对于基础研究和药物开发都非常有用。在此,我们开发了一种新的预测因子iSNO-PseAAC,它通过将位置特异性氨基酸倾向(PSAAP)结合到伪氨基酸组成(PseAAC)中来识别蛋白质中的SNO位点。预测器采用条件随机场(CRF)算法实现。作为示范,构建了一个包含731个SNO站点和810个非SNO站点的基准数据集。为了减少同源性偏差,这些位点都不是从具有[公式:见正文]成对序列同一性的蛋白质中获得的。结果表明,iSNO-PseAAC在一个独立的数据集上识别亚硝基化蛋白的总交叉验证成功率超过90%,表明新的预测因子是非常有前途的。此外,在http://app.aporc.org/iSNO-PseAAC/上建立了一个用户友好的iSNO PseAAC网络服务器,用户无需遵循预测方法开发过程中涉及的数学方程,就可以轻松获得所需的结果。预计iSNO-PseAAC将成为识别SNO站点的一个有用的高通量工具,或者至少对该领域的现有方法起到补充作用。


zbMATH参考文献(39篇文章引用)

显示第1到第20个结果,共39个。
按年份排序(引用)
  1. 陈国栋,曹,满,俞佳林,郭新云,史少平:周氏通用PseAAC中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)
  2. 陈晓娟(音译)的交互作用;Zhou Zuan,Zhou Zuan;Zhuao Zua;Zhuao Zua;Zhuao Zuo;Jiao Zua;Zhuao Zua;Zhuao Zua;Zhuao Zua;Zhou Zua;Zhuao Zhua;Zhou Zua;Zho
  3. 宁,乔;马志强;赵晓伟:Dforml(KNN)-PseAAC:通过周的5步规则和伪成分,使用K近邻算法检测蛋白质序列中的甲酰化位点(2019)
  4. Tahir,Muhammad;Tayara,Hilal;Chong,Kil-To:iRNA-PseKNC(2methyl):通过卷积神经网络和Chou的伪成分识别RNA 2'-O-甲基化位点(2019年)
  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. 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)
  11. 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)
  12. 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)
  13. Tarafder,Sumit;Toukir Ahmed,医学博士;Iqbal,Sumaiya;Tamjidul Hoque,医学博士;Sohel Rahman,M.:RBSURFpred:使用正则化和优化回归在实空间和二进制空间中建模蛋白质可及表面积(2018年)
  14. 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)
  15. 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)
  16. Ju,Zhe;Cao,Jun Zhe;Gu,Hong:iLM-2L:通过将K-gap氨基酸对合并到Chou的general PseAAC中来识别蛋白质赖氨酸甲基化位点及其甲基化程度的两级预测因子(2015)
  17. Khan,Zaheer Ullah;Hayat,Maqsood;Khan,Muazzam Ali:使用Chou的伪氨基酸组成结合概率神经网络模型识别酸性和碱性酶(2015)
  18. Kumar,Ravindra;Srivastava,Abhishikha;Kumari,Bandana;Kumar,Manish:用Chou的伪氨基酸组成和支持向量机预测(\β)-内酰胺酶及其类别(2015)
  19. Li,Chun;Yang,Yan;Fei,文超;He,Ping an;Yu,Xiaoqing;Zhang,Defu;Yi,Shumin;Li,Xuepeng;Zhu,Jin;Wang,Changzhong;Wang,Zhifu:利用马尔可夫极大序模型和支持向量机预测聚合酶链反应的成功率(2015)
  20. 李,熊;廖,波;陈浩文:乳腺癌易感性分析中产生致病性条形码的新技术(2015)