整合序列与蛋白相互作用特征的亚细胞定位预测

王明会; 龚艺; 王强; 冯焕清; 李骜

doi:10.3969/j.issn.1001-0548.2015.03.026

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

整合序列与蛋白相互作用特征的亚细胞定位预测

王明会, 龚艺, 王强, 冯焕清, 李骜

文章导航 > 电子科技大学学报 > 2015 > 44(3): 467-470

王明会, 龚艺, 王强, 冯焕清, 李骜. 整合序列与蛋白相互作用特征的亚细胞定位预测[J]. 电子科技大学学报, 2015, 44(3): 467-470. doi: 10.3969/j.issn.1001-0548.2015.03.026

引用本文:

WANG Ming-hui, GONG Yi, WANG Qiang, FENG Huan-qing, LI Ao. Prediction of Protein Subcellular Localization by Incorporating Sequence and Protein-Protein Interaction Features[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 467-470. doi: 10.3969/j.issn.1001-0548.2015.03.026

Citation:

WANG Ming-hui, GONG Yi, WANG Qiang, FENG Huan-qing, LI Ao. Prediction of Protein Subcellular Localization by Incorporating Sequence and Protein-Protein Interaction Features[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 467-470. doi: 10.3969/j.issn.1001-0548.2015.03.026

整合序列与蛋白相互作用特征的亚细胞定位预测

doi: 10.3969/j.issn.1001-0548.2015.03.026

详细信息

中图分类号: TP391; Q71

Prediction of Protein Subcellular Localization by Incorporating Sequence and Protein-Protein Interaction Features

摘要: 提出了一种基于序列和PPI特征的距离公式，可综合序列氨基酸组成和PPI对象、强弱等信息对两个蛋白质的相似性进行表征，并在此基础上提出了一种用于蛋白质亚细胞定位预测的K近邻算法。利用留一法对性能进行了评估，结果显示，在序列基础上加入PPI特征，可明显有助于亚细胞定位的预测；同时基于上述距离的K近邻算法也优于使用相同特征的SVM算法，表明该算法可以对蛋白质的亚细胞定位信息进行准确有效的预测。
- 生物信息学 /
- K近邻算法 /
- 蛋白质相互作用 /
- 亚细胞定位

[1]

KENICHIRO I, KENTA N. Prediction of subcellular locations of proteins: Where to proceed?[J]. Proteomics, 2010(10): 3970-3983. [2] CHOU Kuo-chen, WU Zhi-cheng, XIAO Xuan. iLoc-Hum: Using the accumulation-label scale to predict subcellular locations of human proteins with both single and multiple sites[J] . Mol BioSyst, 2012(8): 629-641. [3] DU Pu-feng, YU Yuan. SubMito-PSPCP: Predicting protein submitochondrial locations by hybridizing positional specific physicochemical properties with pseudoamino acid compositions[J]. Biomed Res Int, 2013: 263829. [4] PIERLEONI A, MARTELLI P L, CASADIO R. MemLoci: Predicting subcellular localization of membrane proteins in eukaryotes[J]. Bioinformatics, 2011, 27(9): 1224-1230. [5] XIE Dan, LI Ao, WANG Ming-hui, et al. LOCSVMPSI: a web server for subcellular localization of eukaryotic proteins using SVM and profile of PSI-BLAST[J]. Nucleic Acids Research, 2005, 33(suppl 2): 105-110. [6] LI Li-qi, ZHANG Yuan, ZOU Ling-yun, et al. An ensemble classifier for eukaryotic protein subcellular location prediction using gene ontology categories and amino acid hydrophobicity[J]. PLoS ONE, 2012, 7(1): e31057. [7] MARCIN M, MARCIN P, JANUSZ B M. MetaLocGramN: a meta-predictor of protein subcellular localization for Gram-negative bacteria[J]. Biochimica ET Biophysica Acta (BBA)-Proteins and Proteomics, 2012, 1824(12): 1425- 1433. [8] CHOU Kuo-chen, SHEN Hong-bin. A new method for predicting the subcellular localization of eukaryotic proteins with both single and multiple sites: Euk-mPLoc 2.0[J]. PLoS ONE, 2010, 5(4): e9931. [9] LIU Han-qing, BECK T N, GOLEMIS E A, et al. Integrating in silico resources to map a signaling network[M]. Methods Mol Biol, 2014, 1101: 197-245. [10] LI Bi-qing, YOU Jin, CHEN Lei, et al. Identification of lung-cancer-related genes with the shortest path approach in a protein-protein interaction network[J]. BioMed Research International, 2013: 267375. [11] PIETSCH J, RIWALDT S, BAUER J, et al. Interaction of proteins identified in human thyroid cells[J]. International Journal of Molecular Sciences, 2013, 14(1): 1164-1178. [12] CHANG Chih-chung, LIN Chih-Jen. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27.

[1]	专栏编委会. 本期“生物信息”专栏评述 . 电子科技大学学报, 2022, 51(3): 347-347.
[2]	专栏编委会. 本期“生物信息”专栏评述 . 电子科技大学学报, 2022, 51(1): 24-24.
[3]	专栏编委会. 本期“生物信息”专栏评述 . 电子科技大学学报, 2022, 51(4): 493-493.
[4]	专栏编委会. 本期“生物信息”专栏评述 . 电子科技大学学报, 2022, 51(5): 660-660. doi: 10.12178/1001-0548.20220501
[5]	张贵军, 侯铭桦, 彭春祥, 刘俊. 多结构域蛋白质结构预测方法综述 . 电子科技大学学报, 2022, 51(6): 820-829. doi: 10.12178/1001-0548.2022132
[6]	许楠楠, 胡海波. 基于Lotka-Volterra模型的淘汰机制下的信息相互作用 . 电子科技大学学报, 2022, 51(3): 464-472. doi: 10.12178/1001-0548.2021166
[7]	姚旭, 詹秀秀, 刘闯, 张子柯. 基于复杂网络控制理论的肿瘤关键基因预测研究 . 电子科技大学学报, 2022, 51(1): 138-147. doi: 10.12178/1001-0548.2021173
[8]	刘明友, 刘红美, 张招方, 朱映雪, 黄健. 抗微生物肽机器学习预测算法综述 . 电子科技大学学报, 2022, 51(6): 830-840. doi: 10.12178/1001-0548.2022188
[9]	齐鑫, 陈圣伦, 左嘉晨, 闫东辉, 陈佳佳. 嗜乳脂蛋白基因在肺腺癌中的功能及预后作用：多组学融合与生存分析 . 电子科技大学学报, 2021, 50(6): 828-836. doi: 10.12178/1001-0548.2021283
[10]	周雨薇, 岳鹏, 黄健. CISI2.0：更好的抗体交叉或自身相互作用预测工具 . 电子科技大学学报, 2021, 50(5): 659-666. doi: 10.12178/1001-0548.2021209
[11]	AnthonyMackitz DZISOO, 任丽萍, 谢诗扬, 周雨薇, 黄健. 治疗性抗体可开发性评估研究进展 . 电子科技大学学报, 2021, 50(3): 476-480. doi: 10.12178/1001-0548.2021060
[12]	张亮亮, 唐有, 张翌维, 王新安. 针对密码芯片数据搬移能量曲线的机器学习攻击 . 电子科技大学学报, 2019, 48(3): 415-419. doi: 10.3969/j.issn.1001-0548.2019.03.017
[13]	李海林, 魏苗. 自适应属性加权近邻传播聚类算法 . 电子科技大学学报, 2018, 47(2): 247-255. doi: 10.3969/j.issn.1001-0548.2018.02.014
[14]	陈思宝, 徐丹洋, 罗斌. 一种非负稀疏近邻表示的多标签学习算法 . 电子科技大学学报, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018
[15]	李明. 原子玻色-爱因斯坦凝聚与单模光场相互作用系统的保真度 . 电子科技大学学报, 2014, 43(4): 542-546. doi: 10.3969/j.issn.1001-0548.2014.04.012
[16]	李明, 陈鼎汉. 光场-原子BEC相互作用系统的压缩特性 . 电子科技大学学报, 2011, 40(4): 541-543. doi: 10.3969/j.issn.1001-0548.2011.04.013
[17]	耿技, 印鉴. 改进的共享型最近邻居聚类算法 . 电子科技大学学报, 2006, 35(1): 70-72.
[18]	郑光金, 陈福深, 战丽丽, 李纯丹. 级联光纤中色散与自相位调制的相互作用 . 电子科技大学学报, 2004, 33(6): 674-677.
[19]	邝向军, 廖旭. 运动电荷间的相互作用 . 电子科技大学学报, 2003, 32(6): 665-668.
[20]	李庆嵘, 马争. 虹膜定位算法研究 . 电子科技大学学报, 2002, 31(1): 7-9.

点击查看大图

计量

文章访问数: 4582
HTML全文浏览量: 159
PDF下载量: 410
被引次数: 0

整合序列与蛋白相互作用特征的亚细胞定位预测

doi: 10.3969/j.issn.1001-0548.2015.03.026

刊出日期: 2015-06-15

中图分类号: TP391; Q71

关键词:

摘要: 提出了一种基于序列和PPI特征的距离公式，可综合序列氨基酸组成和PPI对象、强弱等信息对两个蛋白质的相似性进行表征，并在此基础上提出了一种用于蛋白质亚细胞定位预测的K近邻算法。利用留一法对性能进行了评估，结果显示，在序列基础上加入PPI特征，可明显有助于亚细胞定位的预测；同时基于上述距离的K近邻算法也优于使用相同特征的SVM算法，表明该算法可以对蛋白质的亚细胞定位信息进行准确有效的预测。

English Abstract

引用本文:

Citation:

WANG Ming-hui, GONG Yi, WANG Qiang, FENG Huan-qing, LI Ao. Prediction of Protein Subcellular Localization by Incorporating Sequence and Protein-Protein Interaction Features[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(3): 467-470. doi: 10.3969/j.issn.1001-0548.2015.03.026