Protein backbone and sidechain torsion angles predicted from NMR chemical shifts using artificial neural networks.
Protein backbone and sidechain torsion angles predicted from NMR chemical shifts using artificial neural networks.
复制标题
DOI：
10.1007/s10858-013-9741-y
复制
发表时间：
2013-07
影响因子：
2.7
通讯作者：
Bax A
中科院分区：
文献类型：
--
作者：
Shen Y;Bax A
本文介绍了一个由NMR化学位移预测蛋白质骨架扭转角的新程序TALOS-N。该程序比其前身TALOS+更广泛地依赖于训练的人工神经网络的使用。对一组独立蛋白质的验证表明，可以预测较大（≥ 90%）残基部分的骨架扭转角，误差率小于约3.5%，使用的验收标准比先前使用的验收标准严格近两倍，预测和晶体学观察到的（φ，φ）扭转角之间的均方根差约为12°。TAL 0 S-N还报道了约50%残基的侧链X1旋转异构体状态，并且与参考结构的一致性为89%。该程序包括一个神经网络训练，以确定从残基序列和化学位移的二级结构。
A new program, TALOS-N, is introduced for predicting protein backbone torsion angles from NMR chemical shifts. The program relies far more extensively on the use of trained artificial neural networks than its predecessor, TALOS+. Validation on an independent set of proteins indicates that backbone torsion angles can be predicted for a larger, ≥ 90% fraction of the residues, with an error rate smaller than ca 3.5%, using an acceptance criterion that is nearly two-fold tighter than that used previously, and a root mean square difference between predicted and crystallographically observed (φ,ψ) torsion angles of ca 12°. TALOS-N also reports sidechain χ1 rotameric states for about 50% of the residues, and a consistency with reference structures of 89%. The program includes a neural network trained to identify secondary structure from residue sequence and chemical shifts.
登录
查看更多内容
影响因子：
56.9
作者：
DEDIOS, AC;PEARSON, JG;OLDFIELD, E
通讯作者：
OLDFIELD, E
影响因子：
2.7
作者：
Berjanskii, Mark V.;Wishart, David S.
通讯作者：
Wishart, David S.
影响因子：
2.7
作者：
Czinki, Eszter;Csaszar, Attila G.
通讯作者：
Csaszar, Attila G.
影响因子：
2.7
作者：
Miclet, E;Boisbouvier, J;Bax, A
通讯作者：
Bax, A
影响因子：
5.6
作者：
Bower, MJ;Cohen, FE;Dunbrack, RL
通讯作者：
Dunbrack, RL