Pretata: 基于新型特征和降维策略预测 TATA 结合蛋白
定量方法
2017-03-09 v1 机器学习
生物大分子
摘要
背景：从新型一级序列中发现蛋白质功能是必要且重要的。湿实验室实验过程不仅耗时，而且昂贵，因此仅基于氨基酸序列可靠地预测蛋白质结构和功能具有重要价值。TATA 结合蛋白（TBP）是一种 DNA 结合蛋白，在转录调控中起关键作用。本研究提出了一种自动方法，用于高效、准确、方便地识别 TATA 结合蛋白。该方法将指导利用计算智能策略进行特殊蛋白质识别。结果：首先，我们基于拟氨基酸组成、理化性质和二级结构提出了用于 TBP 的新型指纹特征。其次，采用了分层特征降维策略以进一步提高性能。目前，Pretata 实现了 92.92% 的 TATA 结合蛋白预测准确率，优于所有其他现有方法。结论：实验表明，我们的方法能大幅提高预测准确率和速度，从而使大规模 NGS 数据预测成为可能。开发了一个网络服务器以方便其他研究人员，可访问 http://server.malab.cn/preTata/。
引用
@article{arxiv.1703.02850,
title = {Pretata: predicting TATA binding proteins with novel features and dimensionality reduction strategy},
author = {Quan Zou and Shixiang Wan and Ying Ju and Jijun Tang and Xiangxiang Zeng},
journal= {arXiv preprint arXiv:1703.02850},
year = {2017}
}