MULocDeep: A deep-learning framework for protein subcellular and suborganellar localization prediction with residue-level interpretation.
MULocDeep: A deep-learning framework for protein subcellular and suborganellar localization prediction with residue-level interpretation.
复制标题
DOI：
10.1016/j.csbj.2021.08.027
复制
发表时间：
2021
影响因子：
6
通讯作者：
Xu D
中科院分区：
文献类型：
--
作者：
Jiang Y;Wang D;Yao Y;Eubel H;Künzler P;Møller IM;Xu D
蛋白质定位的预测在理解蛋白质功能和机制方面发挥着重要作用。在本文中，我们提出了一种基于深度学习的通用定位预测框架 MULocDeep，它可以预测蛋白质在亚细胞和亚细胞器水平上的多个定位。我们收集了一个包含 10 个主要亚细胞区室中 44 个亚细胞器定位注释的数据集，这是迄今为止最全面的亚细胞器定位数据集。我们还通过实验生成了拟南芥细胞培养物、马铃薯块茎和蚕豆根中线粒体蛋白的独立数据集，并将该数据集公开。使用上述数据集的评估表明，总体而言，MULocDeep 在亚细胞和亚细胞器水平上均优于其他主要方法。此外，MULocDeep 评估每个氨基酸对定位的贡献，这提供了对蛋白质分选和定位基序机制的见解。可以通过 http://mu-loc.org 访问 Web 服务器。
Prediction of protein localization plays an important role in understanding protein function and mechanisms. In this paper, we propose a general deep learning-based localization prediction framework, MULocDeep, which can predict multiple localizations of a protein at both subcellular and suborganellar levels. We collected a dataset with 44 suborganellar localization annotations in 10 major subcellular compartments—the most comprehensive suborganelle localization dataset to date. We also experimentally generated an independent dataset of mitochondrial proteins in Arabidopsis thaliana cell cultures, Solanum tuberosum tubers, and Vicia faba roots and made this dataset publicly available. Evaluations using the above datasets show that overall, MULocDeep outperforms other major methods at both subcellular and suborganellar levels. Furthermore, MULocDeep assesses each amino acid’s contribution to localization, which provides insights into the mechanism of protein sorting and localization motifs. A web server can be accessed at http://mu-loc.org.
登录
查看更多内容
影响因子：
14.9
作者：
Briesemeister S;Rahnenführer J;Kohlbacher O
通讯作者：
Kohlbacher O
影响因子：
3
作者：
Blum T;Briesemeister S;Kohlbacher O
通讯作者：
Kohlbacher O
发现具有任意插入和删除的序列基序。
影响因子：
4.3
作者：
Frith, Martin C.;Saunders, Neil F. W.;Kobe, Bostjan;Bailey, Timothy L.
通讯作者：
Bailey, Timothy L.
影响因子：
4.4
作者：
Briesemeister, Sebastian;Blum, Torsten;Shatkay, Hagit
通讯作者：
Shatkay, Hagit
DOI：
10.1146/annurev-genom-082509-141720
发表时间：
2010
影响因子：
8.7
作者：
Calvo SE;Mootha VK
通讯作者：
Mootha VK