针对液态-液态相分离研究的全面蛋白质数据集和基准测试.
Carlos Pintado-Grima1, Oriol Bárcenas1,2, Eva Arribas-Ruiz1
1Institut de Biotecnologia i de Biomedicina and Departament de Bioquímica i Biologia Molecular, Universitat Autònoma de Barcelona, Bellaterra, Barcelona, 08193, Spain.
Genome biology
|July 8, 2025
概括
这项研究为参与液态相分离 (LLPS) 的蛋白质生成了可靠的数据集,区分了驱动蛋白和客户端蛋白质. 这些精心策划的资源有助于更好地理解LLPS机制和基准预测算法.
科学领域:
- 生物化学 生物化学
- 分子生物学分子生物学
- 细胞生物学 细胞生物学
背景情况:
- 蛋白质通过细胞中的液态液态相分离 (LLPS) 形成动态生物分子凝聚物.
- 凝结体中的蛋白质充当驱动器 (形成凝结体) 或客户端 (定位在内部).
- 现有的LLPS数据库存在数据不一致,阻碍了可靠的预测模型开发.
研究的目的:
- 创建LLPS中涉及的驱动器和客户端蛋白质的高可靠性数据集.
- 为非LLPS蛋白建立标准化的负数据集.
- 为LLPS预测算法提供一个全面的基准.
主要方法:
- 现有LLPS数据库的综合生物保养.
- 生成标准化的正 (客户端/驱动器) 和负 (非LLPS) 蛋白质数据集.
- 对物理化学性质的分析和对16个预测算法的基准测试.
主要成果:
- 为客户端和驱动器蛋白质创建可靠的数据集.
- 确定LLPS和非LLPS蛋白质之间的显著物理化学差异.
- 综合性基准测试揭示了预测算法的局限性.
结论:
- 生成的数据集为研究LLPS中的蛋白质作用提供了可靠的资源.
- 在蛋白质子集中,LLPS的基础物理化学性质是不同的.
- 这项工作为LLPS预测算法提供了迄今为止最广泛的基准.
关键词:
一个基准的基准.客户 客户 客户 客户 客户 客户数据集是一组数据集.乱乱乱乱乱 乱乱乱乱乱 乱乱乱乱 乱乱乱乱 乱乱乱乱乱 乱乱乱乱 乱乱乱乱司机 司机 司机 司机整合 整合 整合液态液态相隔离器 液态液态相隔离器机器学习 机器学习消极的负面的负面.蛋白质 蛋白质 蛋白质

