ILYCROsite:基于FCM-GRNN低样本技术识别氨酸克罗托尼化位点

科学领域:

• 生物化学和分子生物学
• 生物信息学和计算生物学

背景情况:

• 蛋白质氨酸crotonylation是一个关键的翻译后修改调节细胞功能.
• 精确识别克罗化位点至关重要,但传统方法面临的局限性与非海斯顿标.

研究的目的:

• 开发一种新的,高性能的深度学习模型,用于识别蛋白质氨酸crotonylation网站.
• 解决现有的机器学习分类器在识别越来越多的非海斯顿化位点方面的局限性.

主要方法:

• 开发了一个基于MLP-Attention的深度学习模型 (ILYCROsite).
• 采用氨基酸组成,K-mer和基于距离的残留特征用于序列编码.
• 采用FCM-GRNN低采样用于数据集平衡和MLP与自我关注进行分类.

主要成果:

• ILYCROsite获得了卓越的性能,通过独立测试和交叉验证证明了这一点.
• 该模型在独立测试组中获得了87.93%的AUC,超过了最先进的模型.
• 用SHAP值进行特征重要性分析,并开发了一个预测程序.

结论:

• ILYCROsite代表了识别蛋白质氨酸crotonylation网站的重大进展.
• 该模型的卓越性能和可用的代码促进了该领域的进一步研究.
• 这项工作有助于研究人员了解蛋白质结的功能性作用.