摘要：蛋白质与金属离子配体的相互作用在生命进程中扮演着非常重要的角色.预测金属离子配体的结合残基对于理解细胞机制和设计分子药物有重要意义.文中使用Naive Bayes Classifier对十种金属离子配体Zn^(2+)、Fe^(2+)、Fe^(3+)、Cu^(2+)、Mn^(2+)、Co^(2+)、Ca^(2+)、Mg^(2+)、Na^+和K^+的结合残基进行预测,五交叉检验下得到了较好的预测结果.

摘要：金属离子是一种重要的蛋白质结合配体,蛋白质与离子配体结合才能实现其功能,预测蛋白质—金属离子配体结合残基对分子药物设计研究具有重要意义.本文以5种金属离子配体为研究对象,基于蛋白质序列,使用深度学习算法对蛋白质—金属离子配体结合残基进行预测,五交叉检验下得到了较好的预测结果.通过对深度学习算法超参数进行优化,预测性能进一步提升.在最优超参数下,深度学习算法独立检验的预测结果好于随机森林算法.

摘要：金属离子配体与蛋白质的相互作用,在诸多重要的生命进程中实现着不可替代的生物学功能,配体结合残基的预测对蛋白质生物功能的理解提供重要的依据,也有利于药物设计和开发。工作中选取了研究者已整理好的一价金属离子配体Na+和K+的结合残基数据集,在序列水平上使用矩阵打分算法识别了Na^+和K^+金属离子配体结合残基,发现整体分类器的预测结果好于单分类器的预测结果。

摘要：金属离子配体与蛋白质的相互作用,在诸多重要的生命进程中实现了不可替代的生物学功能,配体结合残基的预测对蛋白质生物功能的理解及药物设计有重要意义。工作中选取了Ca^(2+)和Mn^(2+)配体的结合残基数据集,从序列信息出发,提出了一种基于SVM整体分类器的预测方法。对Ca^(2+)配体结合残基,组合3分类器预测的总精度达到了71.45%,马氏相关系数达到了0.431;对Mn^(2+)配体结合残基,组合5分类器预测的总精度达到了81.00%,马氏相关系数达到了0.620。

摘要：Ca^(2+),Mg^(2+)和Mn^(2+)结合残基的识别是众多的金属离子配体中效果较差的,但这些金属离子配体与蛋白质的相互作用在生命进程中实现了不可替代的生物学功能,因此提高Ca^(2+),Mg^(2+)和Mn^(2+)结合残基的识别质量对药物设计特别重要。工作中提出了一种融合物化特征及结构信息的随机森林预测方法,对Ca^(2+),Mg^(2+)和Mn^(2+)配体结合残基预测的总精度分别达到了77.6%,77.0%和87.1%,马氏相关系数分别达到了0.563,0.542和0.743。同时将同样的预测参数降维后应用于SVM方法对三种金属离子结合残基进行了预测,也得到了较好的预测结果。