本发明公开了一种基于深度学习的蛋白质配体结合位点预测算法,对于待预测的蛋白质,首先提取其序列特征和距离矩阵,然后将序列特征通过滑动窗口方法分配到每个残基上,然后将残基所对应的特征逐个输入到残差神经网络和混合神经网络中,并将残差神经网络和混合神经网络的输出结果输入到Logistic回归分类器中,最终结果即为蛋白质中...
P2Rank是一个独立的命令行程序,可以从蛋白质结构预测配体结合口袋。 它无需依赖外部软件来计算复杂特征或依靠已知蛋白质-配体模板的数据库即可获得较高的预测成功率。 要求 Java 8至15 PyMOL 1.7(或更高版本)用于查看可视化效果(可选) P2Rank已在Linux,macOS和Windows上进行了测试。 在Windows上,建议使用bash控制...
对于像核酸这样带电多的分子,静电相互作用在分子的识别和结合中起到非常重要的作用。然而,所有类型的配体-受体复合体在结合面上都表现出静电的互补性[13](图1.9)。这时,电荷分布要远比分子的净电荷重要。比如,带同号净电荷的两个蛋白质分子仍能够通过静电互补的界面结合在一起。 图1.9 静电相互作用[13] (2)...
[0010] 通过预先建立的蛋白质Ξ维结构中金属离子结合位点单配体残基模板库中的模 板与待预测蛋白质上的同类型残基进行匹配,W此对蛋白质Ξ维结构中金属离子结合位点 的单配体残基是否匹配进行预测; [0011] 其中,所述预先建立的蛋白质Ξ维结构中金属离子结合位点单配体残基模板库是 根据如上所述蛋白质Ξ维结构中金...
在预测蛋白质-蛋白质/肽结合位点时,DeepProSite 在大多数指标上都优于当前基于序列和结构的方法。此外,与基于结构的预测方法相比,DeepProSite 在预测未结合结构时保持了高性能。DeepProSite 还可以扩展到核酸和其他配体结合位点的预测,验证了其泛化能力。
对于结合区域预测,研究人员首先突出显示具有与配体结合潜力的重建蛋白质的结合位点,作为原始结合区域。随后,使用卷积运算将多粒度配体特征与蛋白质特征相乘。 接下来,他们将卷积结果记录为每个配体-靶标对的响应向量,并将响应向量中具有高值的区域标记为可视化结合区域。最后,研究人员利用这两个区域来指导最终预测的结合区...
一种基于深度学习的蛋白质配体结合位点预测方法,提取待预测蛋白质中所有残基的α碳原子在三维空间中的全局坐标,然后根据全局坐标计算得到邻接矩阵和原始节点特征,输入基于动量对比学习框架的神经网络模型从而得到蛋白质结构的描述子.本发明将深度学习技术与蛋白质结构的领域的知识相结合,生成更有鉴别力的描述子,从而更准确...
从酶蛋白质loop分类数据库ArchDB_EC中整理得到了1397个含配体结合位点β-发夹,对β-发夹中的配体结合位点进行了统计分析.在此基础上,提取序列片段的氨基酸组分,位点氨基酸组分和位点亲疏水特征组分为参数集,采用mRMR方法对该参数集进行优化筛选,将优化后的最优参数子集输入支持向量机,对酶蛋白质β...
一种蛋白质三维结构中金属离子结合位点单配体残基模板库的建立方法及基于此的预测方法,该方法开发了一种以天然存在的单配体残基金属结合态为模板,以关键几何量D,G,C值为模板与潜在配体残基是否匹配的检索筛选条件之一,以先由潜在第一,第二配体残基确定金属的可能位置,再逐步加入其他配体残基的搜索筛选策略,以计算预测...