GPS-pPLM:一种用于预测 prokaryotic 酸化站点的语言模型
Chi Zhang1, Dachao Tang1, Cheng Han1
1Department of Bioinformatics and Systems Biology, MOE Key Laboratory of Molecular Biophysics, Hubei Bioinformatics and Molecular Imaging Key Laboratory, College of Life Science and Technology, Huazhong University of Science and Technology, Wuhan 430074, China.
Cells
|November 27, 2024
概括
GPS-pPLM工具使用深度学习准确地预测 prokaryotic 化位点 (p 位点). 这个更新的服务器增强了对细菌中蛋白质翻译后修饰 (PTMs) 的研究.
科学领域:
- * 分子生物学 * 分子生物学
- * 生物信息学是一门学科.
- * 计算生物学 * 计算生物学
背景情况:
- * 蛋白质酸化是 prokaryotes 中的一个关键的翻译后修饰 (PTM),调节各种生物过程.
- *精确预测酸化位点 (p位点) 对于理解 prokaryotic 细胞功能至关重要.
- * 现有的预测工具需要对原生生物系统进行改进.
研究的目的:
- * 为了引入更新的在线服务器,基于群体的预测系统用于 prokaryotic phosphorylation语言模型 (GPS-pPLM).
- * 通过使用先进的深度学习技术,开发一种对 prokaryotic 酸化位点的高度准确的预测器.
- * 为研究 prokaryotic PTM 的研究人员提供一个有价值的资源.
主要方法:
- *采用深度学习模型,包括变压器和深度神经网络,用于p-site预测.
- * 整合了10个序列和上下文特征,使用来自16041种 prokaryotic 蛋白质的44,839个非冗余p位的数据集.
- * 开发了O-酸化和N-酸化的一般模型,精细调整为6个残留特异性和134个物种特异性预测因素.
主要成果:
- *与现有的工具相比,GPS-pPLM在预测 prokaryotic O-phosphorylation p-sites方面表现出卓越的准确性.
- *生成了140个专业预测因子 (6个残留特异性,134个物种特异性) 以提高预测.
- * 综合预测的p-sites与实验证据,3D结构和22个公共资源的障碍倾向.
结论:
- *GPS-pPLM在预测 prokaryotic 酸化位点方面取得了重大进展.
- * 该工具提供了有价值的注释,有助于对 prokaryotic 蛋白质的功能和结构分析.
- *免费访问的在线服务支持微生物学和分子生物学方面的学术研究.
