TSignal: a transformer model for signal peptide prediction.
TSignal: a transformer model for signal peptide prediction.
复制标题
DOI：
10.1093/bioinformatics/btad228
复制
发表时间：
2023-06-30
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
信号肽 (SP) 是存在于新合成蛋白质 N 末端的短氨基酸片段，有助于蛋白质易位到内质网腔中，然后被裂解。 SP 的特定区域影响蛋白质易位的效率，其一级结构的微小变化可以完全消除蛋白质分泌。 SP 中保守基序的缺乏、对突变的敏感性以及肽长度的可变性使得 SP 预测成为多年来广泛开展的一项具有挑战性的任务。我们介绍 TSignal，一种基于深度 Transformer 的神经网络架构，它利用 BERT 语言模型和点积注意力技术。 TSignal 预测 SP 的存在以及 SP 和易位成熟蛋白之间的切割位点。我们使用常见的基准数据集，并在 SP 存在预测方面显示出有竞争力的准确性，在大多数 SP 类型和生物群体的裂解位点预测方面显示出最先进的准确性。我们进一步说明，我们的完全数据驱动的训练模型可以识别异质测试序列上的有用生物信息。 TSignal 位于：https://github.com/Dumitrescu-Alexandru/TSignal。
Signal peptides (SPs) are short amino acid segments present at the N-terminus of newly synthesized proteins that facilitate protein translocation into the lumen of the endoplasmic reticulum, after which they are cleaved off. Specific regions of SPs influence the efficiency of protein translocation, and small changes in their primary structure can abolish protein secretion altogether. The lack of conserved motifs across SPs, sensitivity to mutations, and variability in the length of the peptides make SP prediction a challenging task that has been extensively pursued over the years. We introduce TSignal, a deep transformer-based neural network architecture that utilizes BERT language models and dot-product attention techniques. TSignal predicts the presence of SPs and the cleavage site between the SP and the translocated mature protein. We use common benchmark datasets and show competitive accuracy in terms of SP presence prediction and state-of-the-art accuracy in terms of cleavage site prediction for most of the SP types and organism groups. We further illustrate that our fully data-driven trained model identifies useful biological information on heterogeneous test sequences. TSignal is available at: https://github.com/Dumitrescu-Alexandru/TSignal.
登录
查看更多内容
影响因子：
14.9
作者：
Tsirigos KD;Peters C;Shu N;Käll L;Elofsson A
通讯作者：
Elofsson A
前胰岛素原信号肽的裂解受损与常染色体显性糖尿病有关
影响因子：
7.7
作者：
Liu M;Lara-Lemus R;Shan SO;Wright J;Haataja L;Barbetti F;Guo H;Larkin D;Arvan P
通讯作者：
Arvan P
影响因子：
4.3
作者：
Reynolds SM;Käll L;Riffle ME;Bilmes JA;Noble WS
通讯作者：
Noble WS
DOI：
10.1109/tpami.2021.3095381
发表时间：
2022-10-01
影响因子：
23.6
作者：
Elnaggar, Ahmed;Heinzinger, Michael;Rost, Burkhard
通讯作者：
Rost, Burkhard
影响因子：
14.9
作者：
Sigrist CJ;de Castro E;Cerutti L;Cuche BA;Hulo N;Bridge A;Bougueleret L;Xenarios I
通讯作者：
Xenarios I