论文解读：DELPHI：用于蛋白质相互作用位点预测的精确深度集成模型

期刊：  Briefings in Bioinformatics

出版日期 2022-11-22

websever:https://iasri-sg.icar.gov.in/pldbpred/

网址： PlDBPred: a novel computational model for discovery of DNA binding proteins in plants | Briefings in Bioinformatics | Oxford Academic

摘要

DNA结合蛋白（DBPs）在许多细胞过程中发挥着至关重要的作用，包括核苷酸识别、转录控制和基因表达调控。大多数现有的用于识别DBP的计算技术主要适用于人类和小鼠数据集。尽管一些模型已经在拟南芥上进行了测试，但当应用于其他植物物种时，它们的准确性很差。因此，开发一种有效的计算模型来预测植物DBP是当务之急。在这项研究中，我们开发了一个用于植物特定DBP识别的综合计算模型。五个浅层学习和六个深度学习模型最初用于预测，其中浅层学习方法优于深度学习算法。特别是，支持向量机实现了最高的重复5倍交叉验证准确率，受试者工作特征曲线下面积（AUC-ROC）为94.0%，精密度-召回曲线下面积为93.5%。在独立数据集的情况下，所开发的方法获得了93.8%的AUC-ROC和94.6%的AUC-PR。与现有技术中使用独立数据集的工具相比，所提出的模型实现了更高的精度。总体结果表明，与现有的植物DBP预测模型相比，所开发的计算模型更有效、更可靠。为了方便大多数实验科学家，开发的预测服务器PlDBPred可在https://iasri-sg.icar.gov.in/pldbpred/.The还提供了源代码https://iasri-sg.icar.gov.in/pldbpred/source_code.php用于使用大型数据集进行预测

数据集

       UniProt数据库[29]（于21年6月14日访问）用于编译当前研究的植物DBP（阳性数据集）和非DBP（阴性数据集）序列。用GO术语“DNA结合”（GO:00033677）注释的蛋白质序列被视为DBP序列，而没有注释的蛋白质被视为非DBP序列。对于35种不同的植物，共收集了1812个DBP和2284个非DBP序列。去除了具有非标准氨基酸（B、J、O、U、X和Z）和少于50个氨基酸的蛋白质序列。DBP和非DBP数据集都进行了同源性降低，以消除预测准确性上的同源性偏差。使用CD-HIT方法[30]去除每个数据集中与任何其他序列具有>40%序列同一性的序列。849个DBP和1848个非DBP序列在处理后被保留。为了避免对具有更多观测值的非DBP类的预测偏差，考虑了具有相等数量的DBP和非DBP序列的平衡数据集。换句话说，从1848个非DBP序列中随机选择了849个非DBP-序列。

方法

PSSM衍生进化特征的生成

尽管基于序列的特征已被证明在许多预测任务中是有效的，但许多研究表明，从PSSM[31]剖面中获得的进化特征比基于序列的特性[13，24]提供的信息要多得多。基于PSSM的特征描述符已被用于几种生物信息学应用[32-33]。通过在NCBI非冗余（NR）数据库上运行PSI-BLAST[31](ftp://ftp.ncbi.nih.gov/blast/db/nr)，在本研究中获得了每个蛋白质序列的PSSM图谱。PSSM轮廓是一个L×20维矩阵，可以写成