-
公开(公告)号：CN107463802A
公开(公告)日：2017-12-12
申请号：CN201710654001.1
申请日：2017-08-02
Applicant: 南昌大学
CPC classification number: G06F19/28 , G06F19/18 , G06K9/6269
Abstract: 本发明公开了一种原核蛋白质乙酰化位点的预测方法，包括步骤：收集数据；数据处理；特征编码：特征训练；构建预测模型。本发明还公开了一种原核蛋白质乙酰化位点的预测方法的应用。本发明方法基于蛋白一级结构信息、物理化学信息和进化信息的多维特征编码，提取原核生物蛋白质乙酰化序列的特征，运用弹性网络Elastic Net优化和筛选最优特征向量，结合支持向量机SVM构建原核乙酰化位点的预测模型，显著提高预测模型对原核乙酰化位点的预测性能；开发的预测软件平台ProAcePred实现了对原核蛋白质乙酰化位点的高通量预测，为蛋白质乙酰化研究提供准确、简便和快速的研究工具，并为进一步的实验研究提供有价值的参考信息。
-
公开(公告)号：CN118471324A
公开(公告)日：2024-08-09
申请号：CN202410631180.7
申请日：2024-05-21
Applicant: 南昌大学
Abstract: 本发明公开了一种多模态表征融合的药物靶标结合亲和力预测方法，该方法包括如下步骤：获取高置信度的靶标三维结构，预测得到靶标结合口袋三维结构信息；构建药物与靶标的序列和三维结构表征；利用定制模块GraphMVP Decoder和GVP‑GNN Layers分别提取药物与靶标的序列和三维结构表征；融合药物与靶标多模态表征，并采用双线性注意力机制模拟药物与靶标之间的局部相互作用；将相互作用表征结果馈入全连接层，得到结合亲和力预测结果。本发明缓解了现有预测方法泛化性能不足、三维信息利用不充分和可解释性较差的问题，提高了药物靶标结合亲和力的预测性能。
-
公开(公告)号：CN113450872B
公开(公告)日：2022-12-02
申请号：CN202110751661.8
申请日：2021-07-02
Applicant: 南昌大学
Abstract: 本发明涉及一种磷酸化位点特异激酶的预测方法，具体步骤如下：根据数据库中的数据构建激酶‑底物异构网络，并计算赋予其边不同的权重；基于建立的网络，采用加权最大二部图匹配算法预测潜在的激酶‑底物关系；对于查询的磷酸化位点，截取其氨基酸片段并计算该片段和不同激酶催化的底物片段之间的序列相似性打分；结合预测出的激酶‑底物关系和序列相似性打分，预测所给磷酸化位点的催化激酶。本发明磷酸化位点特异激酶的预测方法，有效结合了PPI网络信息和蛋白质局部序列信息；针对查询位点给出不同阈值下各激酶的催化可能性；在不同的激酶上均获得了比现有方法更高的预测准确率。
-
Patent Agency Ranking
公开(公告)号：CN113436684B
公开(公告)日：2022-07-15
申请号：CN202110751724.X
申请日：2021-07-02
Applicant: 南昌大学
Abstract: 本发明属于生物信息领域，公开了一种癌症分类和特征基因选择方法，包括以下步骤：初级学习器的建立：建立T个logistic回归模型及其对应的sparse group lasso正则化的损失函数求解模型，输出次级学习器训练集；次级学习器的建立：建立multi‑response回归模型及其对应L1正则化的损失函数求解模型，输出训练集预测结果；预后特征选择模型：建立预后特征选择SGL模型。本发明癌症分类和特征基因选择方法，满足预测、稳定和选择三大标准，stacking集成提高了模型对癌症分类预测的准确性和稳定性，准确选取致癌基因和癌症相关基因，增强模型的可解释性；融合基因与基因通路先验知识，提高了癌症分类的准确性和特征选择的有效性。
-
公开(公告)号：CN113450872A
公开(公告)日：2021-09-28
申请号：CN202110751661.8
申请日：2021-07-02
Applicant: 南昌大学
Abstract: 本发明涉及一种磷酸化位点特异激酶的预测方法，具体步骤如下：根据数据库中的数据构建激酶‑底物异构网络，并计算赋予其边不同的权重；基于建立的网络，采用加权最大二部图匹配算法预测潜在的激酶‑底物关系；对于查询的磷酸化位点，截取其氨基酸片段并计算该片段和不同激酶催化的底物片段之间的序列相似性打分；结合预测出的激酶‑底物关系和序列相似性打分，预测所给磷酸化位点的催化激酶。本发明磷酸化位点特异激酶的预测方法，有效结合了PPI网络信息和蛋白质局部序列信息；针对查询位点给出不同阈值下各激酶的催化可能性；在不同的激酶上均获得了比现有方法更高的预测准确率。
-
公开(公告)号：CN113436684A
公开(公告)日：2021-09-24
申请号：CN202110751724.X
申请日：2021-07-02
Applicant: 南昌大学
Abstract: 本发明属于生物信息领域，公开了一种癌症分类和特征基因选择方法，包括以下步骤：初级学习器的建立：建立T个logistic回归模型及其对应的sparse group lasso正则化的损失函数求解模型，输出次级学习器训练集；次级学习器的建立：建立multi‑response回归模型及其对应L1正则化的损失函数求解模型，输出训练集预测结果；预后特征选择模型：建立预后特征选择SGL模型。本发明癌症分类和特征基因选择方法，满足预测、稳定和选择三大标准，stacking集成提高了模型对癌症分类预测的准确性和稳定性，准确选取致癌基因和癌症相关基因，增强模型的可解释性；融合基因与基因通路先验知识，提高了癌症分类的准确性和特征选择的有效性。
-
公开(公告)号：CN107463795A
公开(公告)日：2017-12-12
申请号：CN201710651300.X
申请日：2017-08-02
Applicant: 南昌大学
Abstract: 本发明公开了一种识别酪氨酸翻译后修饰位点的预测算法，包括步骤：数据收集；数据处理；特征编码；特征优化；模型训练与评估。本发明还公开了一种预测算法的应用。从蛋白质序列信息、进化信息和物理化学属性角度全面提取酪氨酸翻译后修饰位点的特征，以Elastic Net为优化手段自动选取变量对多维特征进行筛选，去除冗余信息，且结合SVM构建酪氨酸硝基化、硫化和磷酸化位点预测模型，提升预测模型的预测能力，显著提高酪氨酸翻译后修饰位点的预测质量。开发的预测软件平台TyrPred实现了对完整蛋白质上酪氨酸硝基化、硫化和磷酸化三种修饰位点的预测分析，为酪氨酸翻译后修饰的研究提供方便、经济、快捷的研究工具和重要参考。
-
公开(公告)号：CN105893787A
公开(公告)日：2016-08-24
申请号：CN201610447108.4
申请日：2016-06-21
Applicant: 南昌大学
IPC: G06F19/18
CPC classification number: G16B20/00
Abstract: 本发明公开了一种蛋白质翻译后修饰甲基化位点的预测方法，属于生物信息学领域。蛋白质甲基化修饰参与细胞功能及细胞过程的许多生命活动，识别其位点对理解细胞的生命活动有十分重要的意义。本发明融合序列信息、进化信息和物理化学性质对蛋白质甲基化序列进行特征编码，采用信息增益优化特征方法并结合支持向量机构建预测模型，独立测试结果表明本方法对蛋白质甲基化位点具有良好的预测性能，同时，开发了网络预测平台，用于对蛋白质甲基化位点的在线预测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
