PRPI-SC: an ensemble deep learning model for predicting plant lncRNA-protein interactions.
PRPI-SC: an ensemble deep learning model for predicting plant lncRNA-protein interactions.
复制标题
PRPI-SC：用于预测植物 lncRNA-蛋白质相互作用的集成深度学习模型
DOI：
10.1186/s12859-021-04328-9
复制
发表时间：
2021-08-24
影响因子：
3
通讯作者：
Meng J
中科院分区：
文献类型：
--
作者：
Zhou H;Wekesa JS;Luan Y;Meng J
背景植物长链非编码RNA（longnoncodingRNAs，lncRNAs）主要通过与RNA结合蛋白（RNA-bindingprotein，RBP）相互作用在许多生物学过程中发挥重要作用。为了了解lncRNA的功能，一个基本的方法是确定哪些类型的蛋白质与lncRNA相互作用。然而，在计算和估计RBP的类型时，相互作用的模型或规则是一个主要挑战。ResultsIn这项研究中，我们提出了一个集成深度学习模型来预测植物lncRNA-蛋白质相互作用，该模型使用基于序列和结构信息的堆叠去噪自动编码器和卷积神经网络，PRPI-SC基于RNA和蛋白质的k-mer特征预测lncRNA和蛋白质之间的相互作用。在拟南芥和玉米数据集（ATH 948和ZEA 22133）上的实验证明了良好的结果。ATH 948和ZEA 22133数据集的准确率分别为88.9%和82.6%。结论PRPI-SC准确预测了植物lncRNA与蛋白质的相互作用，对研究植物lncRNA的功能和表达具有指导作用。同时，PRPI-SC具有较强的泛化能力，对非对象数据具有良好的预测效果。
BackgroundPlant long non-coding RNAs (lncRNAs) play vital roles in many biological processes mainly through interactions with RNA-binding protein (RBP). To understand the function of lncRNAs, a fundamental method is to identify which types of proteins interact with the lncRNAs. However, the models or rules of interactions are a major challenge when calculating and estimating the types of RBP.ResultsIn this study, we propose an ensemble deep learning model to predict plant lncRNA-protein interactions using stacked denoising autoencoder and convolutional neural network based on sequence and structural information, named PRPI-SC. PRPI-SC predicts interactions between lncRNAs and proteins based on the k-mer features of RNAs and proteins. Experiments proved good results onArabidopsis thalianaandZea maysdatasets (ATH948 and ZEA22133). The accuracy rates of ATH948 and ZEA22133 datasets were 88.9% and 82.6%, respectively. PRPI-SC also performed well on some public RNA protein interaction datasets.ConclusionsPRPI-SC accurately predicts the interaction between plant lncRNA and protein, which plays a guiding role in studying the function and expression of plant lncRNA. At the same time, PRPI-SC has a strong generalization ability and good prediction effect for non-plant data.
登录
查看更多内容
用于 miRNA 疾病关联预测的 ELLPMDA 集成学习和链接预测
影响因子：
4.1
作者：
Chen, Xing;Zhou, Zhihan;Zhao, Yan
通讯作者：
Zhao, Yan
DOI：
10.1093/bioinformatics/bty208
发表时间：
2018-09-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Gawronski AR;Uhl M;Zhang Y;Lin YY;Niknafs YS;Ramnarine VR;Malik R;Feng F;Chinnaiyan AM;Collins CC;Sahinalp SC;Backofen R
通讯作者：
Backofen R
DOI：
10.1093/bioinformatics/btu277
发表时间：
2014-06-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Leung MK;Xiong HY;Lee LJ;Frey BJ
通讯作者：
Frey BJ
影响因子：
5.4
作者：
Desfosses, Ambroise;Goret, Gael;Gutsche, Irina
通讯作者：
Gutsche, Irina
DOI：
10.1186/1748-7188-6-26
发表时间：
2011-11-24
期刊：
Algorithms for molecular biology : AMB
影响因子：
--
作者：
Lorenz R;Bernhart SH;Höner Zu Siederdissen C;Tafer H;Flamm C;Stadler PF;Hofacker IL
通讯作者：
Hofacker IL