identification of dna-binding proteins using support vector machines and evolutionary profiles
تحديد البروتينات المرتبطة بالحمض النووي باستخدام آلات المتجهات الداعمة والملفات التعريفية التطورية
Article Quality & Performance Metrics
Readership in this journal
PopularRanked #3 of 15 articles by views in journal of european psychology students
Bar heights use a square-root scale.
Mint this article as an NFT
Not yet mintedCreate a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.
Abstract
Abstract
Background
Identification of DNA-binding proteins is one of the major challenges in the field of genome annotation, as these proteins play a crucial role in gene-regulation. In this paper, we developed various SVM modules for predicting DNA-binding domains and proteins. All models were trained and tested on multiple datasets of non-redundant proteins.
Results
SVM models have been developed on DNAaset, which consists of 1153 DNA-binding and equal number of non DNA-binding proteins, and achieved the maximum accuracy of 72.42% and 71.59% using amino acid and dipeptide compositions, respectively. The performance of SVM model improved from 72.42% to 74.22%, when evolutionary information in form of PSSM profiles was used as input instead of amino acid composition. In addition, SVM models have been developed on DNAset, which consists of 146 DNA-binding and 250 non-binding chains/domains, and achieved the maximum accuracy of 79.80% and 86.62% using amino acid composition and PSSM profiles. The SVM models developed in this study perform better than existing methods on a blind dataset.
Conclusion
A highly accurate method has been developed for predicting DNA-binding proteins using SVM and PSSM profiles. This is the first study in which evolutionary information in form of PSSM profiles has been used successfully for predicting DNA-binding proteins. A web-server DNAbinder has been developed for identifying DNA-binding proteins and domains from query amino acid sequences http://www.imtech.res.in/raghava/dnabinder/.
ملخص
خلفية البحث
يُعد تحديد البروتينات المرتبطة بالحمض النووي (DNA) أحد التحديات الرئيسية في مجال توصيف الجينوم، نظراً لأن هذه البروتينات تؤدي دوراً حاسماً في التنظيم الجيني. قمنا في هذا البحث بتطوير وحدات نمطية مختلفة تستند إلى آلات المتجهات الداعمة (SVM) للتنبؤ بالنطاقات والبروتينات المرتبطة بالحمض النووي. وقد جرى تدريب جميع النماذج واختبارها على مجموعات بيانات متعددة من بروتينات غير مكررة.
النتائج
طُوّرت نماذج SVM على مجموعة بيانات DNAaset، التي تتألف من 1153 بروتيناً مرتبطاً بالحمض النووي وعدداً مماثلاً من البروتينات غير المرتبطة به، وحققت أقصى دقة بنسبة 72.42% و71.59% باستخدام التركيب النسبي للأحماض الأمينية وثنائيات الببتيد، على التوالي. وتحسن أداء نموذج SVM من 72.42% إلى 74.22% عند استخدام المعلومات التطورية الممثلة في ملفات تعريف مصفوفة التهديف الخاصة بالموضع (PSSM) كمدخلات بدلاً من التركيب النسبي للأحماض الأمينية. بالإضافة إلى ذلك، طُوّرت نماذج SVM على مجموعة بيانات DNAset، التي تتألف من 146 سلسلة/نطاقاً مرتبطاً بالحمض النووي و250 سلسلة/نطاقاً غير مرتبط، وحققت أقصى دقة بلغت 79.80% و86.62% باستخدام تركيب الأحماض الأمينية وملفات تعريف PSSM، على الترتيب. وتتفوق نماذج SVM المطورة في هذه الدراسة على الطرق الحالية عند تطبيقها على مجموعة بيانات عمياء (blind dataset).
الاستنتاج
تم تطوير طريقة عالية الدقة للتنبؤ بالبروتينات المرتبطة بالحمض النووي باستخدام نماذج SVM وملفات تعريف PSSM. وتُعد هذه الدراسة الأولى من نوعها التي يُستخدم فيها بنجاح معلومات تطورية في هيئة ملفات تعريف PSSM للتنبؤ بالبروتينات المرتبطة بالحمض النووي. كما أُنشئ خادم الويب DNAbinder لتحديد البروتينات والنطاقات المرتبطة بالحمض النووي استناداً إلى تسلسلات الأحماض الأمينية المدخلة http://www.imtech.res.in/raghava/dnabinder/.
| Reference Key |
m2007bmcidentification
Use this key to autocite in the manuscript while using
SciMatic Manuscript Manager or Thesis Manager
|
|---|---|
| Authors | ;Gromiha Michael M;Kumar Manish;Raghava Gajendra PS |
| Journal | journal of european psychology students |
| Year | 2007 |
| DOI |
10.1186/1471-2105-8-463
|
| URL | |
| Keywords |
Citations
No citations found. To add a citation, contact the admin at info@scimatic.org
ZincirX productsfrom the team behind Journament
-
PatentYazar
Patent drafts for the EPO, USPTO and TürkPatent
From inventor notes to a DOCX draft: description, claims, abstract. The machine drafts, the attorney signs.
See how it works (opens in a new tab) -
Projenator
Have a project idea? Score and plan it with AI
AI scores your idea in five dimensions and builds a phased plan. Your first project is free, no card needed.
Start your first project (opens in a new tab)
Cookies
We use strictly necessary cookies to run the site and keep you signed in. With your permission we would also use Google Analytics to see how the site is used, and Google AdSense to show ads on journal and article pages. Both stay off unless you accept, and you can change your mind at any time. How we use cookies · KVKK notice (Türkiye)
Cookie settings
Comments
No comments yet. Be the first to comment on this article.