伊恩汉瑟酒店

用集成学习方法识别增强子及其强度。动机:识别增强子及其强度是很重要的,因为它们在控制基因表达中起着关键作用。虽然已经开发了一些生物信息学工具,但它们仅能区分增强子和非增强子。最近,一个叫做“iEnhancer-2L”的两层预测器被开发出来,它也可以用来预测增强子的强度。但其预测质量有待进一步提高,以提高实际应用价值。结果:提出了一种新的预测因子,称为“iEnhancer EL”,它包含两层预测因子:第一层预测因子(用于识别增强因子)由六个关键个体分类器组成的阵列融合而成,第二层预测因子则由十个关键个体分类器组成的阵列融合而成。这些关键分类器分别从基于kmer、子序列轮廓和PseKNC的支持向量机(SVM)形成的171个基本分类器中选出。严格的交叉验证表明,所提出的预测因子明显优于该领域现有的最新预测因子。可用性和实现:已在http://bioinformatics.hitsz.edu.cn/iEnhancer-EL/上建立了一个iEnhancer EL的web服务器,用户可以通过该服务器轻松获得所需的结果,而无需查看数学细节。


zbMATH参考文献(参考 11篇文章

显示结果1到11,共11个。
按年份排序(引用)

  1. Butt,Ahmad Hassan;Rasool,Nouman;Khan,Yaser Daanial:通过将基于统计矩的特征纳入Chou的PseAAC(2019年),预测抗氧化蛋白质
  2. 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
  3. 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)
  4. 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)
  5. 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)
  6. 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)
  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. 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)
  9. 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)
  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. 张胜利;梁云云:结合自相关和PSSM预测凋亡蛋白亚细胞定位(2018)