Domain prediction with probabilistic directional context.
Domain prediction with probabilistic directional context.
复制标题
DOI：
10.1093/bioinformatics/btx221
复制
发表时间：
2017-08-15
期刊：
影响因子：
--
通讯作者：
Singh M
中科院分区：
文献类型：
--
作者：
Ochoa A;Singh M
蛋白质结构域预测是基于序列的功能预测最有效的方法之一。虽然领域实例通常是相互独立预测的，但较新的方法已经证明，通过奖励经常在序列中共同出现的领域对，可以提高性能。然而，这些方法大多忽略了领域优先共存的顺序，也没有对领域共存的概率进行建模。我们引入了一种对“定向”领域上下文建模的概率方法进行领域预测。我们的方法首先对序列中的所有域对进行评分，同时考虑到它们的顺序，即使对于非顺序域也是如此。我们表明，我们的方法扩展了以前基于马尔可夫模型的方法，可以对所有成对项进行额外评分，并且可以在马尔可夫随机场的上下文中进行解释。我们将潜在的组合优化问题表述为一个整数线性规划，并在实践中证明了它可以快速求解。最后，我们对领域上下文方法进行了广泛的评估，并证明结合上下文将领域预测的数量增加了约15%，我们的方法duc2（使用上下文的领域预测）优于所有竞争方法。duc2可在http://github.com/alexviiia/dpuc2上获得。补充数据可在生物信息学网站获得。
Protein domain prediction is one of the most powerful approaches for sequence-based function prediction. Although domain instances are typically predicted independently of each other, newer approaches have demonstrated improved performance by rewarding domain pairs that frequently co-occur within sequences. However, most of these approaches have ignored the order in which domains preferentially co-occur and have also not modeled domain co-occurrence probabilistically. We introduce a probabilistic approach for domain prediction that models ‘directional’ domain context. Our method is the first to score all domain pairs within a sequence while taking their order into account, even for non-sequential domains. We show that our approach extends a previous Markov model-based approach to additionally score all pairwise terms, and that it can be interpreted within the context of Markov random fields. We formulate our underlying combinatorial optimization problem as an integer linear program, and demonstrate that it can be solved quickly in practice. Finally, we perform extensive evaluation of domain context methods and demonstrate that incorporating context increases the number of domain predictions by ∼15%, with our approach dPUC2 (Domain Prediction Using Context) outperforming all competing approaches. dPUC2 is available at http://github.com/alexviiia/dpuc2. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
5.8
作者：
Terrapon, Nicolas;Gascuel, Olivier;Breehelin, Laurent
通讯作者：
Breehelin, Laurent
DOI：
10.1093/bioinformatics/btv582
发表时间：
2016-02-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Bernardes JS;Vieira FR;Zaverucha G;Carbone A
通讯作者：
Carbone A
影响因子：
14.9
作者：
UniProt Consortium
通讯作者：
UniProt Consortium
影响因子：
4.5
作者：
Storey, JD
通讯作者：
Storey, JD
影响因子：
3.7
作者：
Ghouila, Amel;Florent, Isabelle;Brehelin, Laurent
通讯作者：
Brehelin, Laurent