伊尔纳PseU

iRNA-PseU:识别RNA假尿苷位点。假尿苷作为最丰富的RNA修饰剂,在许多生物过程中起着重要作用。这种修饰发生在尿苷位点,在假尿苷合成酶的催化下,几乎所有种类的RNA都发生了修饰,包括转移RNA、信使RNA、小核仁RNA和核糖体RNA。因此,它对基础研究和药物开发的重要性不言而喻。尽管已经开发了一些实验技术来检测假尿苷位点,但它们既耗时又昂贵。面对后基因组时代RNA序列的爆炸式增长,我们面临着用计算方法解决这个问题的挑战:对于一个没有特征的RNA序列,我们能否预测它的哪些尿苷位点可以被修饰成假尿苷,哪些不能?本文提出了一种称为iRNA-PseU的预测因子,它将核苷酸的化学性质及其出现频率密度分布纳入伪核苷酸组成的一般形式(PseKNC)。通过严格的刀切检验、独立数据集检验和实际的全基因组分析证明,所提出的预测因子显著优于相应的预测因子。为了方便大多数实验科学家,在http://lin.uestc.edu.cn/server/iRNA-PseU上建立了iRNA-PseU的web服务器,用户无需查阅数学细节,就可以轻松地得到想要的结果。


zbMATH参考文献(19篇文章引用)

显示第1至19个结果,共19个。
按年份排序(引文)

  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. 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. 吕福华;朱茂树;林英英;钟宏斌;蔡磊;何,林;周国臣:CTLA-4-ig治疗狼疮性肾炎的初步疗效评价(2019年)
  6. Rout,Subhashree;Mahapatra,Rajani Kanta:\textITi恶性疟原虫CDPK5蛋白的分子建模、对接和动力学分析(2019年)
  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)
  10. 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)
  11. 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)
  12. 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)
  13. 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)
  14. 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)
  15. 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)
  16. 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)
  17. 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)
  18. Saghapour,Ehsan;Sehhati,Mohammadeza:利用CGH数据预测晚期结直肠癌的转移(2017)
  19. Yang,Lei;Wang,Shiyuan;Zhou,Meng;Chen,Xiaowen;Zuo,Yongchun;Lv,Yingli:BioPlex网络拓扑特性的表征(2016)