aaindex特征编码，蛋白质序列特征，氨基酸理化属性

已于 2022-04-21 12:30:59 修改
阅读量2.4k 收藏 17
点赞数 2
分类专栏： 教程 文章标签： python
于 2022-04-16 16:03:28 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/weixin_39417324/article/details/124215104
版权

下载链接：

链接：https://pan.baidu.com/s/1-aSILK2Tf8gq4A_o-TyW4Q 
提取码：9y6m

这个不需要进行太多的处理，aaindex总共汇总了500多维的理化属性特征值，这些特征值分别代表不同的理化属性，至于是啥理化属性，可以去官网搜搜啥的，我们做生信的话，直接用上边链接里面的特征值就OK
aaindex官网：
https://academic.oup.com/nar/article/27/1/368/1241758?login=true
下边的链接是aaindex里面的各种属性的解释
https://www.genome.jp/ftp/db/community/aaindex/

这个人很懒，还没有设置昵称...
关注
  • 2
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
机器学习中的编码：Index编码、OneHot编码和Multiple编码及其对比
WaltSmith的博客
11-18 5760
文章目录一、 Index编码二、 OneHot编码独热编码优缺点什么情况下(不)用独热编码？什么情况下(不)需要归一化？三、 Multiple编码如何使用Multiple编码呢？四、 编码比较参考文献 一、 Index编码 用来对离散的类型特征进行编码，如，不连续的数值、文本，将离散的特征转换成连续的数值型变量。基于索引的编码可以起到数据归一化的作用，如，id为1和10000，当id作为LR的特征...
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 4995
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。
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
09-17 675
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。
论文阅读 (56)：Mutli-features Predction of Protein Translational Modification Sites (任务)
因吉的博客
06-17 397
翻译后修饰 (Post translational modification, PTM) 在生物加工中起着重要作用。潜在的翻译后修饰由中心位点和相邻的氨基酸残基组成，它们是基本的蛋白质序列残基，有助于发挥它们的生物学功能，且有助于理解作为蛋白质设计和药物设计基础的分子机制。现有的修饰位点预测算法往往存在稳定性和准确性较低等不足。本文结合了蛋白质的物理、化学、统计和生物学特性，提出了一种新的框架来预测蛋白质的翻译后修饰位点。调用多层神经网络和支持向量机来预测具有所选特征的潜在修饰位点，这些特征包括氨基酸...
PyBioMed:一个用于化学物质、蛋白质和DNA及其相互作用的各种分子表示的Python文库
热门推荐
weixin_46266120的博客
04-25 12万+
计算蛋白质描述符——PyProtein PyProtein是用于蛋白质特征计算的工具。PyProtein从氨基酸序列中计算蛋白质和肽的结构和物理化学特征。这些序列衍生的结构和理化特征已被广泛用于开发机器学习模型，用于预测蛋白质结构和功能类别，翻译后修饰，亚细胞位置和特定性质的肽。在 PyProtein 模块中，有两种方法可以计算蛋白质描述符。一种是直接使用相应的方法，另一种是首先构建一个PyProtein类，然后运行他们的方法来获得蛋白质描述符。应该注意的是，输出是字典形式，其键和值分别表示描述符名称和
论文解读：Deep-Kcr: accurate detection of lysine crotonylation sites using deep learning method
weixin_42424479的博客
09-19 792
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：
TripHLApan：基于三重编码矩阵和转移学习预测HLA分子结合肽的情况
weixin_45663644的博客
11-10 482
在本文中，我们提出了TripHLApan，一个新的泛特异性预测模型，用于HLA分子肽结合预测。TripHLApan通过整合三重编码矩阵、BiGRU+Attention模型和转移学习策略，表现出强大的预测能力。综合评估表明，TripHLApan在不同测试环境下预测HLA-I和HLA-II肽结合的有效性。在最新的数据集中，HLA-I的预测能力得到了进一步证明。此外，我们表明TripHLApan在一个黑色素瘤患者的样本中具有很强的结合重组能力。总之，TripHLApan是预测HLA-I和HLA-II分子肽的结合的
氨基酸符号序列转换为FASTA格式的蛋白质序列
05-18
氨基酸符号序列转换为FASTA格式的蛋白质序列，直接编译，将英文氨基酸序列粘贴到窗口，按回车即可输出转换结果。
基于序列特征的网络流分类方法研究
04-16
如今，对网络流量中各种应用进行准确分类和识别已经变得越来越重要，针对目前流量分析研究的不足，本文综合国内外相关研究成果，提出了在双向动态网络流模型的基础上，采用细粒度的Packet-Level序列特征属性对流量...
利用蛋白质序列结构特征预测蛋白质结构类别的新策略
03-16
利用蛋白质序列结构特征预测蛋白质结构类别的新策略
分享8个最佳的代码片段在线测试网站
12-18
有时候，我们需要测试一些代码片段，而电脑中没有安装针对该语言的运行环境，没关系，你可以在线测试它们。  本文为你带来 8 款非常好用的代码片段在线工具，帮助你快速、方便地测试、编辑代码片段。  1.   ideone ideone 是一个在线代码编辑、调试工具，允许开发者在线编译、运行代码，支持超过 40 种编程语言。  2.   Codepad Codepad 是一个在线编译/解释器，还是一个简单的协作工具。在文本框中粘贴代码片段，Codepad 将会运行它，并会生成一个短 URL，你可以共享给其他人。  3.   jsFiddle jsFiddle 是一个 web 开发人员的练习场，可
BLOSUM62文件
05-22
POSSUM62文件--蛋白质序列打分矩阵文件。BLOSUM打分矩阵是一种在生物信息学中用于序列对比的氨基酸替换打分矩阵。BLOSUM 是“blocks substitution matrix”的缩写。它是目前常用的一种氨基酸替换打分矩阵。BLOSUM打分矩阵最早由 Steven Henikoff. 和 J.G Henikoff在他们的论文中被提出。其中，他们从BLOCKS数据库中对那些在高度保守序列中的蛋白质家族进行观察测量进而整理出了氨基酸替换的概率。他们继续使用对数胜算来计算矩阵中的分值。与PAM打分矩阵相比，BLOSUM打分矩阵的内容皆由观察得出。[1]在实际运用中，BLOSUM矩阵通常能获得更好的结果。
特征多项式生成M序列
11-21
根据特征多项式得到对应的m序列，特征多项式的输入为matlab通用的多项式输入方式。返回一个m序列。
基于序列和结构特征的蛋白质自由能预测
02-25
基于序列和结构特征的蛋白质自由能预测
生物信息学数据库大全
qiuxue198598的专栏
01-09 8616
 综合数据库★ INSD,国际核酸序列数据库（International Nucleotide Sequence Databank）。由日本的DDBJ、欧洲的EMBL和美国的GenBank三家各自建立和共同维护。★ EMBL库，欧洲分子生物学实验室的DNA和RNA 序列库。 http://www.ebi.ac.uk/embl.html ★ GenBank ，美国国家生物技术
A deep learning method to more accurately recall known lysine acetylation 阅后笔记
weixin_45156147的博客
11-20 929
A deep learning method to more accurately recall known lysine acetylation 阅后笔记 前言 作者先点出赖氨酸乙酰化在基本生物过程中起重要作用，再点出确定赖氨酸乙酰化位点是了解赖氨酸乙酰化的关键，那么如何来预测赖氨酸乙酰化位点呢？ 在这项工作中，一个名为DeepAcet的新预测器被开发来预测乙酰化位点。采用了一热BLOSUM62矩阵、k空间氨基酸对组合、信息增益、理化性质和表示修饰残基的位置特定评分矩阵等6种编码方案。利用多层感知器(ML
python中print的本质_2.6 万字、38 张图，Python 基础语法全解！
weixin_39943370的博客
11-24 238
作者：不染-何程龙https://luckylifes.blog.csdn.net/article/details/107044216排版排了一下午，文章很长，正文共：26651字 38图！大家可以先收藏，然后慢慢看，但是一定要记得先拉到底部点一个免费的赞，看看今天这篇文章能不能到100赞，哈哈~文章纯干货！没有一点水分！！！前言：Python是一个高层次的结合了解释性、编译性、互动...
【持续集成_05课_Linux部署SonarQube及结合开发项目部署】
最新发布
weixin_42333261的博客
07-12 283
前置条件：sonarQube不能使用root账号进行启动，所以需要创建普通用户及。3）CMD上传qube文件-不能传到home路径下哦。2）添加用户、组名、密码。4）检查并解压上传的包。
聊聊如何在内网下构建大模型微调环境
python1234567_的博客
07-12 917
LlamaFactory新版更新后，还是比较方便，只是说llamafactory-cli命令的确是有点蒙，踩个坑就好了。对于LlamaFactory微调来说，本身不难，毕竟都是配置；主要是在内网环境下的依赖包拉取安装是真麻烦，但其实也还好。走一遍的话，还是可以学到很多的。​。
蛋白质序列可以形成哪些特征矩阵
06-08
蛋白质序列可以形成多种特征矩阵，其中常见的有以下几种： 1. 氨基酸组成矩阵（AAC）：表示蛋白质中各种氨基酸出现频率的矩阵。 2. 二面角矩阵（DPC）：表示蛋白质中相邻两个氨基酸的二面角的相关性矩阵。 3. 二级结构矩阵（SSC）：表示蛋白质中各种二级结构元素出现频率的矩阵。 4. 物理化学特性矩阵（PCC）：表示蛋白质中各种氨基酸的物理化学特性（如极性、电荷等）的矩阵。 5. 序列分布矩阵（SCC）：表示蛋白质中相邻两个氨基酸在序列上的相关性矩阵。 6. 滑动窗口矩阵（SWC）：表示蛋白质序列在滑动窗口内的局部序列特征的矩阵。 这些特征矩阵可以用于蛋白质序列分析、分类、聚类等多种应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

打赏作者

这个人很懒，还没有设置昵称...

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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