WikiDer > Список программ для прогнозирования расстройств

List of disorder prediction software

Вычислительные методы используют признаки беспорядка последовательности, чтобы предсказать, белок неупорядочен, учитывая его аминокислотная последовательность. Приведенная ниже таблица, которая изначально была адаптирована из[1] и был недавно обновлен, показывает основные функции программного обеспечения для прогнозирования нарушений. Обратите внимание, что в разных программах используются разные определения беспорядка.

ПредсказательГод публикацииЧто предсказаноНа основеСоздает и использует множественное выравнивание последовательностей?Бесплатно для коммерческого использования
SPOT-Disorder2[2]2020Вероятность разупорядочения остатка последовательности по остатку.Ансамбль двунаправленной долговременной кратковременной памяти и сверточных нейронных сетей с начально-остаточным сжатием и возбуждениемдаНет
Disprot[3]2019
NetSurfP-2.0[4]2019Вторичная структура и метод прогнозирования беспорядковДолговременная кратковременная память и сверточные нейронные сетидаНет
SPOT-Disorder-Single[5]2018Предиктор разложения по остаткам для входной одиночной последовательности (т.е. без профиля MSA).Ансамбль двунаправленных рекуррентных нейронных сетей с кратковременной памятью и остаточных сверточных сетей.НетНет
IUPred2005-2018Регионы, в которых отсутствует четкая 3D-структура в естественных условияхЭнергия, возникающая в результате взаимодействий между остатками, рассчитанная на основе местного аминокислотного составаНетНет
MobiDB-lite[6]2017Прогнозирование остаточного беспорядка на основе консенсусаВосемь отдельных предикторов расстройств из разных группНетНет
SPOT-расстройство[7]2017Выводит вероятность того, что каждый остаток в последовательности белка будет неупорядоченным или упорядоченным.Архитектура глубокой рекуррентной нейронной сети с использованием ячеек с длительной краткосрочной памятью (LSTM).даНет
Disopred2[8]2004-2015Регионы без упорядоченной регулярной вторичной структурыКаскадные машинные классификаторы опорных векторов, обученные на профилях PSI-BLASTдаНет
s2D2015Прогнозирование вторичной структуры и внутреннего беспорядка в единой статистической системе на основе анализа химических сдвигов ЯМР[9]Нейронные сети, обученные на данных на основе раствора ЯМР.даНет
DisPredict_v1.0 [10]2015Назначает бинарный класс порядка / беспорядка и соответствующую оценку достоверности для каждого остатка белка с использованием оптимизированной SVM с радиальным базисным ядром из последовательности белка.Состав AA, физические свойства, спираль, вероятность прядей и мотков, доступная площадь поверхности, колебания угла кручения, монограмма, биграмма.Нет?
СЛАЙДЕР[11]2014Бинарное предсказание того, имеет ли белок длинную неупорядоченную область (> 30 остатков)Физико-химические свойства аминокислот, сложность последовательности и аминокислотный составНет?
MFDp2 [12]2013Вероятность спирали, нити и клубка, относительная энтропия и прогноз беспорядка на остаток.Комбинация предикторов MFDp и DisCon с уникальной пост-обработкой. Улучшенное предсказание по MFDp.даНет
ESpritz2012Определения нарушения включают: недостающие рентгеновские атомы (короткие), беспорядки в стиле Диспрот (длинные) и гибкость ЯМР. Вероятность нарушения обеспечивается двумя порогами принятия решения, которые зависят от предпочтительного количества ложных срабатываний пользователя.Двунаправленные нейронные сети с разнообразными и высококачественными данными, полученными из Protein Data Bank и DisProt. Очень хорошо сравнивается с другими серверами CASP 9. Этот метод был разработан, чтобы быть очень быстрым.НетНет
GeneSilico Metadisorder[13]2012Области, в которых отсутствует четко выраженная трехмерная структура в естественных условиях (REMARK-465)Мета-метод, который использует другие предикторы расстройства (например, RONN, IUPred, POODLE и многие другие). На их основе рассчитывается консенсус в соответствии с точностью метода (оптимизированный с использованием ИНС, фильтрации и других методов). На данный момент лучший доступный метод (первые 2 места в последних CASP эксперимент (слепой тест))даНет
ПОЗВОНОЧНИК-D[14]2012Выходной длинный / короткий беспорядок и полубеспорядок (0,4-0,7) и полный беспорядок (0,7-1,0). Полубеспорядок - это полусколлапс с некоторой вторичной структурой.Предиктор с тремя состояниями на основе нейронной сети, основанный как на локальных, так и на глобальных характеристиках. Входит в пятерку лучших на основе AUC в CASP 9.даНет
CSpritz2011Определения беспорядка включают: недостающие рентгеновские атомы (короткие) и беспорядок в стиле DisProt (длинные). Вероятность беспорядка обеспечивается двумя порогами принятия решения, которые зависят от количества ложных срабатываний. Линейные мотивы в сегменте беспорядка определяются простым сопоставлением с образцом из ELM.Поддержите векторную машину и двунаправленные нейронные сети с помощью высококачественных и разнообразных данных, полученных из Protein Data Bank и Disprot. Структурная информация также предоставляется в виде гомологичных шаблонов. Очень хорошо сравнивается с другими серверами CASP 9.даНет
PONDR1999-2010Все нежесткие области, включая случайные клубки, частично неструктурированные области и расплавленные глобулы.Местный состав, гибкость, гидропатия и др.НетНет
MFDp [15]2010Различные типы беспорядка, включая случайные клубки, неструктурированные области, расплавленные глобулы и области на основе REMARK-465.Набор из 3 SVM, специализирующихся на прогнозировании коротких, длинных и общих неупорядоченных областей, который объединяет три дополнительных предиктора беспорядка, последовательность, профили последовательности, прогнозируемую вторичную структуру, доступность растворителя, двугранные углы кручения основной цепи, гибкость остатков и B-факторы. МФДп (неофициально) занял 3 место в последнем CASP эксперимент)даНет
FoldIndex[16]2005Области с низкой гидрофобностью и высоким чистым зарядом (петли или неструктурированные области)Заряд / гидрофатность анализируется локально с помощью скользящего окнаНет?
RONN2005Регионы, в которых отсутствует четкая трехмерная структура в естественных условияхНейронная сеть с функцией биоосновы обучена неупорядоченным белкамНетНет
GlobPlot2003Области с высокой склонностью к глобулярности по шкале Рассела / Линдинга (склонность к вторичным структурам и случайным катушкам)Шкала беспорядка Рассела / ЛиндингаНетда
DisEMBL2003ПЕТЛИ (области без регулярной вторичной структуры); HOT LOOPS (высокомобильные петли); ЗАМЕЧАНИЕ465 (области кристаллической структуры с недостаточной электронной плотностью)Нейронные сети, обученные на данных рентгеновской структурыНетда
SEG1994Сегменты невысокой сложности, то есть «простые последовательности» или «области с субъективной структурой».Локально оптимизированные сегменты низкой сложности производятся с определенными уровнями строгости, а затем уточняются в соответствии с уравнениями Вуттона и Федерхена.Нет?

Методы больше не доступны:

ПредсказательЧто предсказаноНа основеСоздает и использует множественное выравнивание последовательностей?
OnD-CRF[17]Переход между структурно упорядоченными и подвижными или неупорядоченными аминокислотными интервалами в нативных условиях.OnD-CRF применяет условные случайные поля, CRF, которые полагаются на функции, созданные на основе аминокислотной последовательности и прогнозирования вторичной структуры.Нет
НОРСПРегионы без упорядоченной регулярной вторичной структуры (НОРС). Большинство, но не все, очень гибкие.Вторичная структура и доступность растворителейда
HCA (Гидрофобный кластерный анализ)Гидрофобные кластеры, образующие элементы вторичной структурыСпиральная визуализация аминокислотной последовательностиНет
PreLinkОбласти, которые, как ожидается, будут неструктурированными при любых условиях, независимо от присутствия связывающего партнераСмещение состава и низкое содержание гидрофобных кластеров.Нет
MD (Предиктор мета-расстройства)[18]Регионы разных «типов»; например, неструктурированные петли и области, содержащие несколько стабильных внутрицепочечных контактовМета-предсказатель на основе нейронной сети, который использует различные источники информации, преимущественно получаемые с помощью ортогональных подходов.да
IUPforest-LДлинные неупорядоченные области в наборе белковАвтокорреляционная функция Моро-Брото аминокислотных индексов (AAI)Нет
MeDor (Метасервер беспорядка)[19]Регионы разных «типов». MeDor предоставляет единое представление о нескольких прогностических факторах заболевания.Мета-метод, который использует другие предикторы расстройства (например, FoldIndex, DisEMBL REMARK465, IUPred, RONN ...) и предоставляет дополнительные функции (например, график HCA, прогноз вторичной структуры, трансмембранные домены ...), которые все вместе помогают пользователю в определении регионов вовлечены в беспорядок.Нет

Рекомендации

  1. ^ Феррон Ф., Лонги С., Канард Б., Карлин Д. (октябрь 2006 г.). «Практический обзор методов прогнозирования белковых расстройств». Белки. 65 (1): 1–14. Дои:10.1002 / prot.21075. PMID 16856179. S2CID 30231497.
  2. ^ Хэнсон, Джек; Paliwal, Kuldip K .; Литфин, Томас; Чжоу, Яоци (13 марта 2020 г.). «SPOT-Disorder2: улучшенное прогнозирование внутреннего расстройства белков с помощью комплексного глубокого обучения». Геномика, протеомика и биоинформатика. 17 (6): 645–656. Дои:10.1016 / j.gpb.2019.01.004. ISSN 1672-0229. ЧВК 7212484. PMID 32173600.
  3. ^ Хатос, Андраш; Хайду-Солтес, Борбала; Монзон, Александр М .; Палополи, Николас; Альварес, Лусия; Айкач-Фас, Бурджу; Бассо, Клаудио; Бенитес, Гильермо I .; Бевилаква, Мартина; Часапи, Анастасия; Чемес, Люсия (8 января 2020 г.). «DisProt: аннотация нарушения внутреннего белка в 2020 году». Исследования нуклеиновых кислот. 48 (D1): D269 – D276. Дои:10.1093 / нар / gkz975. ISSN 1362-4962. ЧВК 7145575. PMID 31713636.
  4. ^ Клаузен М.С., Джесперсен М.С., Нильсен Х., Йенсен К.К., Юрц В.И., Сендерби К.К., Соммер М., Отто А., Винтер О, Нильсен М., Петерсен Б., Маркатили П. (2019). «NetSurfP-2.0: улучшенное предсказание структурных особенностей белка за счет интегрированного глубокого обучения». Белки: структура, функции и биоинформатика. 87 (6): 520–527. Дои:10.1002 / prot.25674. PMID 30785653. S2CID 216629401.
  5. ^ Хансон Дж., Паливал К., Чжоу Й. (2018). «Точное однопоследовательное предсказание внутреннего нарушения белков с помощью ансамбля глубоких рекуррентных и сверточных архитектур». Журнал химической информации и моделирования. 58 (11): 2369–2376. Дои:10.1021 / acs.jcim.8b00636. HDL:10072/382201. PMID 30395465. S2CID 53235372.
  6. ^ Некчи, Марко; Пиовезан, Дамиано; Dosztányi, Zsuzsanna; Тосатто, Сильвио К.Э. (18 января 2017 г.). «MobiDB-lite: быстрое и высокоспецифичное консенсусное прогнозирование внутреннего нарушения в белках». Биоинформатика. 33 (9): 1402–1404. Дои:10.1093 / биоинформатика / btx015. ISSN 1367-4803. PMID 28453683.
  7. ^ Хансон Дж, Ян Й, Паливал К., Чжоу Й (2016). «Улучшение предсказания белковых расстройств с помощью глубоких двунаправленных рекуррентных нейронных сетей с долговременной краткосрочной памятью». Биоинформатика. 33 (5): 685–692. Дои:10.1093 / биоинформатика / btw678. PMID 28011771.
  8. ^ Уорд Дж. Дж., Соди Дж. С., Макгаффин Л. Дж., Бакстон Б. Ф., Джонс Д. Т. (март 2004 г.). «Прогнозирование и функциональный анализ нативного расстройства в белках трех царств жизни». J. Mol. Биол. 337 (3): 635–45. CiteSeerX 10.1.1.120.5605. Дои:10.1016 / j.jmb.2004.02.002. PMID 15019783.
  9. ^ Сорманни П., Камиллони С., Фаризелли П., Вендрусколо М. (февраль 2015 г.). "Метод s2D: одновременное прогнозирование на основе последовательности статистических популяций упорядоченных и неупорядоченных областей в белках". J. Mol. Биол. 427 (4): 982–996. Дои:10.1016 / j.jmb.2014.12.007. PMID 25534081.
  10. ^ Сумайя Икбал; Md Tamjidul Hoque (октябрь 2015 г.). «DisPredict: предиктор неупорядоченного белка с использованием оптимизированного ядра RBF, содержимого и профилей». PLOS ONE. 10 (10): e0141551. Дои:10.1371 / journal.pone.0141551. ЧВК 4627842. PMID 26517719.
  11. ^ Peng Z, Mizianty MJ, Kurgan L (январь 2014 г.). «Прогнозирование в масштабе генома белков с длинными внутренне неупорядоченными участками». Белки. 82 (1): 145–58. Дои:10.1002 / prot.24348. PMID 23798504. S2CID 21229963.
  12. ^ Марчин Дж. Мизиантя, Женлинг Пенга и Лукаш Курган (апрель 2013 г.). «Точный предиктор нарушения в белках путем объединения вероятностей нарушения, содержания и профилей». Внутренне нарушенные белки. 1 (1): e24428. Дои:10.4161 / idp.24428. ЧВК 5424793. PMID 28516009.
  13. ^ Козловский, Л. П .; Буйницки, Дж. М. (2012). «MetaDisorder: мета-сервер для прогнозирования внутреннего нарушения в белках». BMC Bioinformatics. 13: 111. Дои:10.1186/1471-2105-13-111. ЧВК 3465245. PMID 22624656.
  14. ^ Zhang T, Faraggi E, Xue B, Dunker K, Uversky VN, Zhou Y (февраль 2012 г.). «SPINE-D: точное прогнозирование коротких и длинных неупорядоченных областей с помощью единого метода на основе нейронной сети» (PDF). Журнал биомолекулярной структуры и динамики. 29 (4): 799–813. Дои:10.1080/073911012010525022. HDL:10072/57573. ЧВК 3297974. PMID 22208280.
  15. ^ Mizianty MJ, Stach W., Chen K, Kedarisetti KD, Disfani FM, Курган Л. (сентябрь 2010 г.). «Улучшенное предсказание на основе последовательностей неупорядоченных областей с многослойным объединением нескольких источников информации». Биоинформатика. 26 (18): i489–96. Дои:10.1093 / биоинформатика / btq373. ЧВК 2935446. PMID 20823312.
  16. ^ Прилуски Дж., Фельдер К.Э., Зеев-Бен-Мордехай Т. и др. (Август 2005 г.). «FoldIndex: простой инструмент, позволяющий предсказать, является ли данная последовательность белка развернутой по своей природе». Биоинформатика. 21 (16): 3435–8. Дои:10.1093 / биоинформатика / bti537. PMID 15955783.
  17. ^ Ван Л., Зауэр UH (июнь 2008 г.). «OnD-CRF: прогнозирование порядка и беспорядка в белках с использованием условных случайных полей». Биоинформатика. 24 (11): 1401–2. Дои:10.1093 / биоинформатика / btn132. ЧВК 2387219. PMID 18430742.
  18. ^ Шлессингер А, Пунта М, Ячдав Г, Каян Л, Рост Б (2009). Оргел Дж. П. (ред.). «Улучшенное прогнозирование расстройств за счет комбинации ортогональных подходов». PLOS ONE. 4 (2): e4433. Bibcode:2009PLoSO ... 4.4433S. Дои:10.1371 / journal.pone.0004433. ЧВК 2635965. PMID 19209228.
  19. ^ Люто П., Канард Б., Лонги С. (сентябрь 2008 г.). «MeDor: метасервер для прогнозирования белковых нарушений». BMC Genomics. 16: S25. Дои:10.1186 / 1471-2164-9-S2-S25. ЧВК 2559890. PMID 18831791.

внешняя ссылка