Prediction of S-glutathionylation sites based on protein sequences.
Prediction of S-glutathionylation sites based on protein sequences.
复制标题
基于蛋白质序列的S-谷胱甘肽化位点预测
DOI：
10.1371/journal.pone.0055512
复制
发表时间：
2013
期刊：
影响因子：
3.7
通讯作者：
Zhao XM
中科院分区：
文献类型：
--
作者：
Sun C;Shi ZZ;Zhou X;Chen L;Zhao XM
S-谷胱甘肽化（S-glutathionylation）是蛋白质中谷胱甘肽（glutathione，GSH）和半胱氨酸残基之间混合二硫键的可逆形成，是翻译后修饰的一种特殊形式，在多种生物学过程中发挥重要作用，包括信号转导、氧化还原稳态和细胞内代谢。通过实验鉴定S-谷胱甘肽化位点是劳动密集型和耗时的，而生物信息学方法通过计算机预测S-谷胱甘肽化位点为这个问题提供了另一种方法。生物信息学方法不仅为进一步的实验验证提供了候选位点，而且还为S-谷胱甘肽化机制提供了生物化学见解。本文首先从文献中收集了实验确定的S-谷胱甘肽化蛋白及其相应的修饰位点，然后提出了一种基于蛋白质序列数据的机器学习方法预测S-谷胱甘肽化位点的新方法。通过我们的方法获得了有希望的结果，在5倍交叉验证中AUC（ROC曲线下面积）得分为0.879，这证明了我们所提出的方法的预测能力。本工作中使用的数据集可在http://csb.shu.edu.cn/SGDB上获得。
S-glutathionylation, the reversible formation of mixed disulfides between glutathione(GSH) and cysteine residues in proteins, is a specific form of post-translational modification that plays important roles in various biological processes, including signal transduction, redox homeostasis, and metabolism inside cells. Experimentally identifying S-glutathionylation sites is labor-intensive and time consuming, whereas bioinformatics methods provide an alternative way to this problem by predicting S-glutathionylation sites in silico. The bioinformatics approaches give not only candidate sites for further experimental verification but also bio-chemical insights into the mechanism of S-glutathionylation. In this paper, we firstly collect experimentally determined S-glutathionylated proteins and their corresponding modification sites from the literature, and then propose a new method for predicting S-glutathionylation sites by employing machine learning methods based on protein sequence data. Promising results are obtained by our method with an AUC (area under ROC curve) score of 0.879 in 5-fold cross-validation, which demonstrates the predictive power of our proposed method. The datasets used in this work are available at http://csb.shu.edu.cn/SGDB.
登录
查看更多内容
影响因子：
--
作者：
Sun C;Zhao XM;Tang W;Chen L
通讯作者：
Chen L
影响因子：
3.9
作者：
Lind, C;Gerdes, R;Cotgreave, IA
通讯作者：
Cotgreave, IA
影响因子：
5.6
作者：
LEE, B;RICHARDS, FM
通讯作者：
RICHARDS, FM
影响因子：
2.9
作者：
Bas, Delphine C.;Rogers, David M.;Jensen, Jan H.
通讯作者：
Jensen, Jan H.
影响因子：
3.7
作者：
Shao J;Xu D;Tsai SN;Wang Y;Ngai SM
通讯作者：
Ngai SM