蛋白质特征描述符

已于 2024-01-19 14:59:33 修改
阅读量1.6k 收藏 8
点赞数 2
文章标签： 深度学习 人工智能
于 2023-04-16 02:37:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52930699/article/details/130178299
版权

AAC(氨基酸组成)

氨基酸组成(AAC)编码计算蛋白质或肽序列中每种氨基酸类型的频率。所有20种天然氨基酸(即“ACDEFGHIKLMNPQRSTVWY”)的频率可以计算为：

eq?f%28t%29%3D%20%5Cfrac%7BN%28t%29%7D%7BN%7D%2C%20t%5Cin%20%5Cleft%20%5C%7B%20A%2CC%2CD%2C%5Ccdots%20%2CY%20%5Cright%20%5C%7D

其中N(t)是t型氨基酸的数量，而N是蛋白质或肽序列的长度。AAC描述符已成功应用于核受体分类和抗癌肽预测。

 

CKSAAP (k-间隔氨基酸对的组成)

CKSAAP特征编码计算任意k个残基(k= 0,1,2，…，5)分隔的氨基酸对的频率。以k=0为例，有400个0间隔的残基对(即AA、AC、AD、…、YY.)。那么，一个特征向量可以定义为：

最低0.47元/天 解锁文章
蛋白对接_【原创】杜伦大学Degiacomi小组JCTC论文：单一体积描述符能搞定蛋白蛋白分子对接么？...
weixin_35798118的博客
01-13 460
预测蛋白质在特定复合物中的状态有助于理解其在生物体内的生物学功能，从而设计药物来解决相关疾病。蛋白-蛋白对接是用来解释生物分子间作用模式常用的方法，以往常采用刚性对接，各原子的相对位置不变，虽然能够快速得到对接结果，但其忽略了侧链的摆动所造成的蛋白质分子的构象变化，得到的对接分数低，不容易探究到真正的结合模式。近日来自杜伦大学的M. T. Degiacomi小组提出了一种表示蛋白质的新方...
计算蛋白描述符——uniprot 批量下载蛋白fasta文件
weixin_40408680的博客
04-19 1万+
批量下载蛋白fasta文件 目的：计算蛋白特征 1、最初尝试：利用R getFASTAFromUniProt函数 library(Rcpi) # 处理fasta文件 rm(list = ls()) setwd('F:/R_work/protein/') filename_id = 'pro_id_all.csv' # 数据量：18864 id <- read.csv(filename_...
蛋白质序列的新型描述符及其应用
03-10
在本文中，基于氨基酸的三种物理化学特性，引入了蛋白质序列的动态3-D图形表示。 图的坐标具有直接的生物学意义，可以反映蛋白质的固有结构。 提取主惯性矩和轴坐标范围的信息作为一种新型的混合描述符，并提出用于蛋白质一级序列的比较。 同时，避免了所考虑的蛋白质序列的长度差异的影响的归一化描述符向量的欧几里德距离被用作蛋白质相似性的定量测量。 最后，我们以九种ND5（NADH脱氢酶亚基5）蛋白为例，说明了该方法的有效性。
生物信息学---蛋白质组学中氨基酸信息编码方式
JEREMY的博客
04-03 7201
其中 NTotal 是总组成残基的长度（例如，如果长度为 L 的蛋白质片段残基为 31 且 k = 0、1、2、3、4 和 5，则NTotal = L - k - 1 将是分别为 30、29、28、27、26 和 25）。其中 L 表示蛋白质序列片段 P 中来自中心位点的上游残基或下游残基的数量，如果ai是蛋白质序列片段 P 中的第 j 个位置残基，则 xi,j = 1，否则 xi,j = 0。N 表示蛋白质序列窗口大小(氨基酸序列长度)， Sim 是归一化的氨基酸替代矩阵， M 是。
使用新型的氨基酸序列的局部联合三联体描述符预测蛋白质-蛋白质相互作用。
03-27
研究中提到的局部联合三联体描述符，是一种基于蛋白质序列的特征提取方法，它通过对氨基酸的局部区域和序列中的三联体组合信息进行编码，增强了模型对蛋白质序列中的相互作用模式的识别能力。 本研究对于理解生物...
HTMD | 从PDB文件获取3D特征描述符
12-20
本文提到的`HTMD`（High Throughput Molecular Dynamics）是一个Python库，专门用于处理分子动力学数据，特别是从PDB（蛋白质数据银行）文件中提取3D特征描述符。PDB文件通常存储生物大分子如蛋白质、核酸的结构信息...
多肽描述符计算：modlamp 包
weixin_52812620的博客
11-14 1434
modlamp 包中的 descriptors 类
图片拖到任意处并记录相应的位置
热门推荐
kingwin28的博客
02-16 19万+
图片拖到任意处并记录相应的位置
论文解读《STALLION：一个基于堆叠的原核赖氨酸乙酰化位点预测的集成学习框架》
qq_53674802的博客
08-22 1031
蛋白质翻译后修饰(PTM)是一种重要的调节机制，在正常和疾病状态中都发挥着关键作用。赖氨酸残基上的乙酰化是由于其在细胞代谢和调节过程中的重要作用之一。识别蛋白质赖氨酸乙酰化(Kace)位点是生物信息学中的一项具有挑战性的任务。到目前为止，几种基于机器学习的方法，在硅中识别凯斯站点的方法已经被开发出来。其中，少数是原核生物物种特异性的。尽管这些方法具有诱人的优点和性能，但它们也有一定的局限性。
modlAMP:Python软件包，用于肽序列生成，肽描述符计算和序列分析
05-09
自述文件 模组 这是一个Python软件包，设计用于处理肽，蛋白质或天然氨基酸的任何氨基酸序列。 它包含了几个模块，例如描述符计算（模块descriptors ）或序列生成（模块sequences ）。 有关如何使用该软件包的基本说明，请参阅本自述或部分。 安装 快速说明：从版本4开始，modlAMP支持Python3。不建议与Python 2.7一起使用。 为了使安装正常进行，需要安装pip 。 如果不确定是否已有pip，请在终端中键入pip --version 。 如果尚未安装pip，请通过sudo easy_install pip安装。 无需手动下载软件包即可安装modlAMP。 在您的终端中，只需键入以下命令： pip install modlamp 要将modlamp更新到最新版本，请运行以下命令： pip install --upgrade modlamp 用法 本节
药物靶标相互作用（四）
qq_46080349的博客
12-12 505
药物靶标相互作用
生信项目之特征提取
weixin_44540733的博客
03-13 1903
特征提取是指从原始数据中提取出有效的信息，在生信项目中的原始数据一般分为氨基酸序列、核苷酸序列或者蛋白质的三维结构。特征提取的过程指从原始数据中提取出特征并将特征输入到机器学习算法中，以训练出具有预测或分类等功能的模型。在生信项目中，特征提取过程是非常重要的，这直接影响到后面模型训练的效果，不同的特征提取方法提取到的特征可能会造成最后模型训练结果的不同，也有些方法采取了特征融合的方法，将多维数据特征进行融合以输入模型中。
论文解读：《基于有序位置编码的深度学习和机器学习集成模型的抗癌肽预测》
ZGY9542的博客
02-18 1414
抗癌肽（ACPs）是一类已被证明具有抗癌活性的肽。使用ACP来预防癌症可能是传统癌症治疗的可行替代方案，因为它们更安全，并显示出更高的选择性。作者提出了一种利用序列信息预测ACP的计算方法。该过程包括肽序列的输入，利用位置信息进行序列编码和手工特征提取，最后进行特征选择。整个模型由两个模块组成，包括深度学习和机器学习算法。深度学习模块包含两个通道：BiLSTM和CNN。最后，作者针对得出模型集成层的三条路径，对三个模型的分类结果进行了投票。该研究为ACP预测提供了一种新的方法，并提供了一个有前景的性能。
深度学习中氨基酸序列的编码方法
Rys_Ben_Blogs
01-02 2421
随着AI算法创新和算力提升，叠加生物（组学）数据（指数级）增长，深度学习在生信领域中的应用也愈加广泛。具体到蛋白领域，深度学习已经在三级结构预测、新抗原预测等场景中取得了当前最优的预测性能。在实际应用时，为了将氨基酸序列输入深度学习模型，需要通过编码方法将其转化为数字表示。本文介绍了几种常见的编码方法。
蛋白质二级、三级结构预测
lin的博客
09-30 5万+
一．蛋白质结构预测 1．什么是蛋白质结构预测？ 蛋白质是生命活动的基本单位，其结构决定了功能，对蛋白质结构的研究有助于对其功能的研究。上世纪50年代初，Anfinsen等人提出蛋白质的空间结构是由其一级结构决定。 蛋白质都是由20种不同的L型α氨基酸连接形成的多聚体，在形成蛋白质后，这些氨基酸又被称为残基。 蛋白质的分子结构可划分为四级，以描述其不同的方面： • 蛋白质一级结构：组成蛋白质多肽链的...
论文解读：《PredNTS：通过整合多个序列特征来改进和稳健地预测硝基酪氨酸位点》
ZGY9542的博客
09-17 800
由多种活性氮物质产生的硝基酪氨酸是一种蛋白质翻译后修饰。作者通过整合多个序列特征（包括 K-mer、CKSAAP、AAindex 和二进制编码方案）开发了一种计算预测器 PredNTS。使用随机森林分类器通过递归特征消除方法选择重要特征。最后，线性组合了不同使用单一编码的 RF 模型生成的连续随机森林 (RF) 概率分数。由此产生的 PredNTS 预测器在五折交叉验证中AUC = 0.910。它在全面和独立的数据集上优于现有的预测器。此外，作者还研究了几种机器学习算法，以证明所采用的 RF 算法的优越性。
论文解读：Deep-Kcr: accurate detection of lysine crotonylation sites using deep learning method
weixin_42424479的博客
09-19 938
Deep-Kcr：使用深度学习方法准确检测赖氨酸巴豆酰化位点 doi: 10.1093/bib/bbaa255 代码链接：https://github.com/linDing-group/Deep-Kcr 数据集：
如何使用局部联合三联体描述符提高蛋白质-蛋白质相互作用的预测准确度？
最新发布
11-08
蛋白质-蛋白质相互作用（PPIs）的预测对于揭示细胞过程和生物大分子的功能至关重要。《利用氨基酸序列的局部联合三联体预测蛋白质相互作用》一文提出了一种创新方法，通过氨基酸序列的局部联合三联体描述符来提高PPI预测的准确度。 参考资源链接：[利用氨基酸序列的局部联合三联体预测蛋白质相互作用](https://wenku.csdn.net/doc/5zpcte5q0h?spm=1055.2569.3001.10343) 局部联合三联体描述符是一种将序列信息编码为数学特征的方法，它考虑了氨基酸序列中连续的三个位置，并将这些三联体信息结合起来，以更好地捕捉蛋白质表面的结构和功能特性。这种方法有助于识别那些能够形成相互作用的蛋白质对。 在实际操作中，首先需要对已知PPIs数据进行预处理，包括提取蛋白质序列和它们的相互作用信息。随后，对每个蛋白质序列提取所有的三联体，并将它们转化为数值向量，形成描述符。接下来，为了提高模型效率和准确性，可以进行特征选择和降维操作。最后，将这些特征输入到适当的机器学习算法中，如支持向量机、随机森林或深度学习模型，构建预测模型并进行评估。 通过这种方式，研究人员能够更准确地预测新的PPIs，从而为生物学研究提供有力的工具，加速新药物靶点的发现和系统生物学的进展。因此，如果你对蛋白质-蛋白质相互作用的预测技术感兴趣，这篇研究论文将是你的不二选择。 参考资源链接：[利用氨基酸序列的局部联合三联体预测蛋白质相互作用](https://wenku.csdn.net/doc/5zpcte5q0h?spm=1055.2569.3001.10343)
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值