PRED-TMSdeep:基于深度学习的跨膜拓扑结构与信号肽预测方法
《Biology》:PRED-TMSdeep: Prediction of Transmembrane Topology and Signal Peptides Using Deep Learning
【字体:
大
中
小
】
时间:2026年06月29日
来源:Biology 3.5
编辑推荐:
简要概述 从细胞中分泌或嵌入细胞膜中的蛋白质对于细胞间的信号传递、营养物质运输以及诸多医学和工业应用而言都至关重要。为了研究这些蛋白质,科学家首先需要确
简要概述
从细胞中分泌或嵌入细胞膜中的蛋白质对于细胞间的信号传递、营养物质运输以及诸多医学和工业应用而言都至关重要。为了研究这些蛋白质,科学家首先需要确定其是否含有能将其导向分泌机制的“地址标签”,以及是否含有能够穿过细胞膜的结构。这两者在序列上可能看起来相似,因此预测工具常常会将它们混淆,或者给出不完整的分析结果。我们推出了PRED-TMSdeep,这是一种深度学习工具,能够一步同时预测出跨膜区域(包括两种主要的膜蛋白类型)以及三种具有不同生物学功能的分泌信号类型,还能确定最可能的信号切除位点。该工具采用了经过精心筛选的参考数据集,这些数据集来源于实验确定的膜蛋白结构及蛋白质数据库,其在膜拓扑结构预测方面的性能可与现有顶级工具相媲美,同时在识别分泌信号类型及其切除位点方面也有显著提升。PRED-TMSdeep以易于使用的网页服务器形式提供,同时也支持针对大规模数据集的批处理命令行工具,可用于常规的蛋白质注释工作以及大规模的基因组和蛋白质组研究。
摘要
要准确注释分泌蛋白和膜蛋白,就需要检测N端的分泌信号、确定其切除位点、区分不同类型的分泌信号,同时还要为α螺旋蛋白和β桶状蛋白预测完整的跨膜拓扑结构。目前的工具要么仅能通过通用的信号肽类别来分析整个蛋白质的拓扑结构,要么只能对信号肽类型进行分类,却无法提供整合性的拓扑结构分析,因此当需要同时确定这两种特征时,得到的分析结果往往不够完整。在这里,我们介绍了PRED-TMSdeep,这是一种深度学习方法,能够同时预测跨膜拓扑结构以及三种信号肽类型:分泌途径/信号肽酶I(Sec/SPI)、分泌途径/信号肽酶II(Sec/SPII)以及双精氨酸转运/信号肽酶I(Tat/SPI)。该方法采用两步受限解码流程,首先识别出跨膜段和信号肽,然后在更严格的生物学约束条件下确定它们的整体方向并精确界定边界。在基于“膜中蛋白质定向”数据库和“跨膜蛋白质蛋白质数据库”筛选出的去重数据集上,PRED-TMSdeep在段落级拓扑结构预测方面的性能可与现有顶级工具相媲美,同时在信号肽分类方面表现更佳,其顶级切除位点预测准确率最高。该工具的顶级切除位点预测准确率为89.2%,而TMbed的这一数值为84.7%,SignalP 6.0的准确率为86.2%,这一优势主要体现在对最常见的Sec/SPI类型蛋白的出色预测能力上。该软件既以网页服务器形式提供,也配有预训练模型和可重复执行的工作流程的批处理命令行工具。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号