【Briefings in Bioinformatics】四篇好文简读-专题27

智能生信

发布于 2022-05-23 08:35:39

4370

发布于 2022-05-23 08:35:39

一

论文题目：

A novel convolution attention model for predicting transcription factor binding sites by combination of sequence and shape 论文摘要：

推测的转录因子结合位点(TFBSs)的发现对于理解潜在的结合机制和细胞功能具有重要意义。近年来，在TFBSs预测中，人们提出了许多计算方法来共同考虑DNA序列和形状特性。然而，这些方法不能充分利用序列剖面和形状剖面的潜在特征，在可解释性和知识发现方面存在局限性。文章提出了一种新的结合序列和形状的深度卷积注意网络，称为D-SSCA，用于精确预测假设的TFBSs。在165个ENCODE ChIP-seq数据集上进行的实验表明，D-SSCA在预测TFBSs方面显著优于几种最先进的方法，并证明了通道注意模块在特征细化方面的有效性。此外，对5种形状对TFBSs预测的贡献的深入分析表明，形状特征可以提高转录因子- dna结合的预测能力。此外，D-SSCA还可以实现TFBSs的跨细胞系预测，表明不同细胞系在序列和形状方面存在共同的相互作用模式。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab525/6470969 Github链接：

https://github.com/MoonLord0525/

二

论文题目：

Predicting miRNA-disease associations using an ensemble learning framework with resampling method 论文摘要：

越来越多的证据表明，microRNA (miRNA)在各种复杂疾病的发病和进展中发挥着重要作用。推断与疾病相关的miRNAs对探索人类疾病的病因、诊断和治疗具有重要意义。由于生物实验费时费力，开发有效的计算方法已成为确定miRNA与疾病之间关联的必要手段。文章提出了一个集成学习框架与重采样方法预测MiRNA-Disease Association (ERMDA)，以发现潜在的疾病相关miRNA。首先提出了构建多个不同均衡训练子集的重采样策略，以解决数据库中样本不均衡的问题;然后，ERMDA通过整合miRNA- miRNA相似性、疾病-疾病相似性以及实验验证的miRNA与疾病关联信息，提取miRNA和疾病特征表征。然后，利用特征选择的方法来减少冗余信息，增加子集之间的多样性。最后，ERMDA在每个子集上构造一个个体学习者产生原始结果，并引入软投票方法，根据个体学习者的预测结果进行最终决策。一系列的实验结果表明，无论是在平衡测试集还是非平衡测试集上，ERMDA都优于其他先进的测试方法。此外，对三种人类疾病的案例研究进一步证实了ERMDA对潜在疾病相关miRNA的预测能力。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab543/6470964 Github链接：

https://github.com/Wang-Zhaowei/ERMDA

三

论文题目：

Deep-AFPpred: identifying novel antifungal peptides using pretrained embeddings from seq2vec with 1DCNN-BiLSTM 论文摘要：

抗真菌肽（AFPs）作为目前可用的抗真菌药物的替代品受到了广泛的关注。尽管AFP是由不同的生物种群产生的，但从自然来源识别有效的AFP既耗时又昂贵。因此，有必要开发一种能够识别蛋白质序列中新的AFP的健壮的模型。文章提出了Deep-AFPpred，一种能够识别蛋白质序中AFP的深度学习分类器。文章使用1DCNN BiLSTM深度学习算法的转移学习概念开发了深度AFPpred。研究结果表明，Deep-AFPpred在很大程度上优于其他最先进的AFP分类器，在验证和测试数据上分别达到了约96%和94%的精度。基于所提出的方法，创建了一个在线预测服务器，使用该服务器，可以识别蛋白质序列中的新AFP。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab422/6404058 网络服务器：

https://afppred.anvil.app

四

论文题目：

PKSPS: a novel method for predicting kinase of specific phosphorylation sites based on maximum weighted bipartite matching algorithm and phosphorylation sequence enrichment analysis 论文摘要：

随着生物技术的发展，大量的磷酸化位点被实验证实和收集，但只有少数具有激酶注释。由于检测特定磷酸化位点上的激酶的实验方法昂贵且偶然，人们提出了一些计算方法来预测这些位点上的激酶，但大多数方法只考虑单个序列信息或单个功能网络信息。文章将PKSPS-net与PKSPS-seq结合，结合蛋白质-蛋白质相互作用网络信息和序列信息，建立了一种预测人蛋白特异性磷酸化位点激酶(PKSPS)的新方法。在pksps网络中，基于PPI网络中蛋白质的拓扑相似性量化激酶和基质-基质相似性，并提出最大加权二部匹配算法预测激酶-基质关系。在PKSPS-Seq中，磷酸化序列富集分析用于分析磷酸化位点周围局部序列的相似性，并预测特异性磷酸化位点的激酶(KSP)。PKSPS已被证明比PKSPS-net或PKSPS-seq对不同组激酶更有效。进一步的比较结果表明，PKSPS方法比现有方法具有更好的性能。最后，案例研究证明了PKSPS在预测特定磷酸化位点激酶方面的有效性。