iPreny PseAAC公司

iPreny-PseAAC:通过将两层序列偶联到PseAAC中来识别蛋白质中C-端半胱氨酸prenaylization位点。结论:iPreny-PseAAC预测因子具有很高的潜力,有望成为识别蛋白C-末端半胱氨酸预酸化位点和其他相关区域的高通量工具。为了最大限度地为大多数实验生物学家提供便利,新预测器的网络服务器已在http://app.aporc.org/iPreny-PseAAC/上建立,用户无需浏览本文中涉及的数学细节,就可以轻松获得他们想要的结果。


zbMATH参考文献(16篇文章引用)

显示第1到16个结果,共16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. 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. Khan,Yaser Daanial;Jamil,Mehreen;Hussain,Waqar;Rasool,Nouman;Khan,Sher Afzal;Chou,Kuo Chen:PSBOND PseAAC:通过PseAAC和统计矩积分预测二硫键合位点(2019年)
  5. 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)
  6. 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)
  7. 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)
  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. Chiu,Jimmy Ka Ho;Dillon,Tharam S.;Chen,Yi Ping Phoebe:RNA家族中的大规模频繁茎模式挖掘(2018)
  10. 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)
  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. 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)
  14. 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)
  15. Khan,穆斯林;Hayat,Maqsood;Khan,Sher Afzal;Ahmad,Saeed;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)
  16. 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)