植物PathoPPI:基于集团的机器学习架构,用于预测植物和病原体之间的蛋白质-蛋白质相互作用
Sneha Murmu1, Himanshushekhar Chaurasia2, A R Rao3
1ICAR-Indian Agricultural Statistics Research Institute, New Delhi 110012, India; ICAR-Indian Agricultural Research Institute, New Delhi 110012, India.
一个新的机器学习工具PlantPathoPPI准确地预测了植物病原体系统中的蛋白质-蛋白质相互作用 (PPI). 这种计算方法有助于理解植物防御和病原体毒性,加速研究.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 植物病理学 植物病理学
背景情况:
- 在植物病原体系统中对蛋白质-蛋白质相互作用 (PPI) 的实验性鉴定对于了解植物防御和病原体毒性至关重要.
- 传统的PPI识别实验方法通常是耗时和劳动密集的.
- 需要计算方法来补充有效预测PPI的实验方法.
研究的目的:
- 开发一种基于机器学习的工具,用于预测PPI,特别是在植物病原体相互作用中.
- 通过提供更快,计算替代方案来解决实验方法的局限性.
- 增强对植物病原体关系中的分子机制的理解.
主要方法:
- 开发一个强大的集合模型,集成多个序列编码 (自动共变性,联合三位数,局部描述符).
- 利用各种机器学习算法,包括随机森林,支持矢量机器和人工神经网络.
- 结合了表现最佳的模型,以创建一个整体,以提高预测准确度.
主要成果:
- 在植物病原体系统中,PPI的预测准确度约为97%.
- 开发的工具PlantPathoPPI在独立测试数据集上的现有工具相比表现优越.
- 为实现广泛的可访问性,创建了一个用户友好的Web服务器和一个Python包.
结论:
- 植物PathoPPI提供了一个高效和准确的计算工具,用于预测植物病原体PPI.
- 该工具为植物疾病提供了有价值的见解,并支持植物病理学中以假设为导向的研究.
- 这项工作通过促进研究植物病原体系统中的分子相互作用,为该领域做出了重大贡献.
更多相关视频
08:21Detection of Protein Interactions in Plant using a Gateway Compatible Bimolecular Fluorescence Complementation BiFC System
Published on: September 16, 2011
11:50Bacterial Leaf Infiltration Assay for Fine Characterization of Plant Defense Responses using the Arabidopsis thaliana-Pseudomonas syringae Pathosystem
Published on: October 1, 2015
相关概念视频
Protein-protein Interfaces
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Defenses Against Pathogens and Herbivores
Cell Signaling in Plants
Introduction to Plant Diversity
