iPTM mLys

iPTM-mLys:识别多个赖氨酸PTM位点及其不同类型。动机:翻译后修饰,简称PTM,是指蛋白质生物合成后氨基酸侧链的变化。蛋白质中PTM位点的预测对于深入理解各种生物过程和开发有效药物具有重要意义,目前已成为生物信息学研究的热点。虽然已经建立了许多计算方法来识别各种单标记PTM类型及其在蛋白质中的发生位置,但是还没有一种方法可以用于多标记PTM类型。作为最常见的PTM之一,K-PTM,即发生在赖氨酸(K)上的修饰,通常可与许多不同类型的PTM相适应,如乙酰化、巴豆酰化、甲基化和琥珀酰化。现在我们面临着一个有趣的挑战:给定一个含有许多K残基的非特征化蛋白质序列,哪一个能容纳两种或两种以上的PTM,哪一种只能容纳一种,哪种不能?结果:为了解决这个问题,我们开发了一种称为IPTM-MLYS的多标签预测因子。它代表了有史以来第一个建立的多标签PTM预测因子。该预测器的特点是将序列耦合效应引入通用PseAAC,并将一组基本随机森林分类器融合到一个集成系统中。通过一组多指标的严格交叉验证表明,第一个多标签PTM预测是非常有前途和令人鼓舞的。可用性和实现:为了方便大多数实验科学家,在http://www.jci-bioinfo.cn/iPTM-mLys上建立了一个用户友好的iPTM-mLys网络服务器,用户无需通过复杂的数学方程就可以轻松获得所需的结果。


zbMATH参考文献(参考 26篇文章 引用)

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. Hussain,Waqar;Khan,Yaser Daanial;Rasool,Nouman;Khan,Sher Afzal;Chou,Kuo Chen:Sprenlc PseAAC:通过Chou的5步规则和通用PseAAC开发的序列模型,用于识别蛋白质中的s-prenylization位点(2019年)
  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. Kau-Khan,Kaul-al-Bond预测;Kaul-Khan,Kau-al-Bond;2019年,Kaul-Khan,Kaul-al-Bond的预测;Kaul-Khan,Kau-al-Bond;Jamial-Bund-moments;Jamial-Bund,Ka-al-Bond;Jamial-Bund-moments;Sherea-Khan,Husseau-Al-Bond
  5. 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)
  6. 潘奕;王世元;张琦;陆倩子;苏东青;左永春;杨磊:周氏各种伪成分和还原氨基酸组成对动物毒素的分析与预测(2019)
  7. 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)
  8. 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)
  9. 赵薇;李广平;王军;周远科;高,杨;杜,蒲峰:结合功能域富集分数和伪氨基酸组成预测蛋白质亚高尔基体位置(2019)
  10. 赵晓伟;张晓伟;张,叶;宁,乔;张宏瑞;纪金超;尹明浩:用粒子群优化的极值梯度提升系统识别N(^6)-甲基腺苷位点(2019)
  11. 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)
  12. 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)
  13. 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)
  14. Ju,Zhe;Wang,Shi Yun:基于mRMR特征选择和模糊支持向量机算法的S-磺基化位点预测(2018)
  15. 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)
  16. 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)
  17. 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)
  18. 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)
  19. 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)
  20. 预测方法:Abhisa和Kumivac预测系统(2018年:Abhisa和Kumivac;使用Kumandar系统进行预测)