2L皮尔纳

2L-piRNA：识别Piwi相互作用rna及其功能的两层集成分类器。piRNAs或piwi相互作用的RNA具有重要的细胞或基因功能，是一种长度约为19-33nt的非编码RNA。对于一个小的非编码RNA分子，我们能否仅根据其序列信息来预测它是否属于piRNA？此外，piRNA有两种类型：一种具有指示靶mRNA去基化的功能，另一种则没有。我们能区别开来吗？随着RNA序列在后基因组时代的大量涌现，解决这两个问题成为基础研究和药物开发的迫切需要。不幸的是，到目前为止，仅用我们的两种方法来处理问题都不是最好的方法。在这里，通过将核苷酸的物理化学性质纳入伪K-元组核苷酸组成（PseKNC），我们提出了一个强大的预测因子2L-piRNA。它是一个两层集成分类器，第一层用于识别查询的RNA分子是piRNA还是非piRNA，第二层用于识别piRNA是否具有指示靶mRNA去基化的功能。严格的交叉验证表明，所提出的预测成功率相当高。为了方便大多数生物学家和药物开发科学家，2L piRNA的web服务器已经建立在http://bioinformatics.hitsz.edu.cn/2L-piRNA/，这样用户就可以很容易地得到他们想要的结果，而不需要经过数学细节。

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中的参考文献（参考文献25条)

显示第1到第20个结果，共25个。
按年份排序(引用)
  1. 艾哈迈德，贾迈勒；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. 侯赛因，瓦卡尔；汗，亚瑟·达尼尔；拉苏尔，努曼；可汗，谢尔·阿夫扎尔；周国琛：Sprenlc PseAAC：基于序列的模型，通过Chou的5步规则和通用PseAAC来识别蛋白质中的s-prenylization位点（2019年）
  3. 贾建华；李小燕；邱，王仁；晓萱；周国臣：iPPI PseAAC（CGR）：通过将混沌博弈表示纳入PseAAC（2019年），识别蛋白质-蛋白质相互作用
  4. 汗，亚瑟·达尼尔；雅米勒，米伦；侯赛因，瓦卡尔；拉苏尔，努曼；可汗，谢尔·阿夫扎尔；周国琛：psbond-PseAAC：利用PseAAC和统计矩积分预测二硫键位点（2019）
  5. 潘毅；王世元；张琪；陆谦子；苏东青；左永春；杨磊：周氏不同伪成分和还原氨基酸组成对动物毒素的分析与预测（2019）
  6. 塔希尔，穆罕默德；塔亚拉，希拉；Chong，Kil-To:iRNA-PseKNC（2甲基）：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. 田宝光；吴雪；陈，程；邱文英；马、秦；于斌：融合不同的周氏伪成分并使用小波去噪方法预测蛋白质-蛋白质相互作用（2019）
  8. 王立东；张瑞军；Mu，Yashuang:Fu-SulfPred:通过Chou'S general PseAAC确定蛋白质S-硫基化位点（2019）
  9. 赵小伟；张，叶；宁，乔；张宏瑞；季金超；Yin，Minghao:使用粒子群优化优化的极端梯度提升系统识别N（^6）-甲基腺苷位点（2019）
  10. 阿克巴，沙希德；Hayat，Maqsood:二甲基STTNC:通过将SAAC的概念扩展到Chou的PseAAC中以形成RNA序列来识别N（^6）-甲基腺苷位点（2018）
  11. 程、香；晓萱；Chou，Kuo Chen:pLoc逯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. 赵家豪；狄龙，塔拉姆S。；陈一平：RNA家族中大规模频繁茎模式挖掘（2018）
  13. 贾、仓植；杨青；邹全：NucPosPred:general PseKNC的四种不同模式预测物种特异性基因组核小体定位（2018）
  14. 居哲；王士云：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整合到周氏的通用PseAAC中，识别革兰氏阴性细菌分泌的蛋白质类型（2018）
  16. 梅，娟；傅易；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；李珊珊；崔晓雯；俞昭敏；王明辉；杜俊伟；彭彦君；于斌：通过将伪位置特异性评分矩阵整合到周氏的伪氨基酸组成中来预测蛋白质亚软骨的位置（2018）
  18. 萨博，M。法兹利；伊克巴尔、纳迪姆；可汗，穆赫塔吉；可汗，穆斯林；马格布尔H。F、 ：利用复合编码特征识别RNA序列中的5-甲基胞嘧啶位点到Chou's PseKNC（2018）
  19. 桑卡里，E。湿婆；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. 阿披实喀斯利瓦斯塔瓦；库马尔，拉文德拉；Kumar，Manish:BlaPred:通过Chou's general PseAAC使用三层预测系统预测和分类（\β-内酰胺酶）（2018）