Resumen

Las proteínas intrínsecamente desordenadas (IDPs) poseen al menos una región que carece de una única estructura estable in vivo, lo que hace que desempeñen un papel importante en una variedad de funciones biológicas. Proponemos un método de predicción para IDPs basado en redes neuronales convolucionales (CNNs) y en la selección de características. Se utiliza la combinación de propiedades de secuencia y evolución para describir las diferencias entre las regiones desordenadas y las ordenadas. Especialmente, para destacar la correlación entre el residuo objetivo y los residuos adyacentes, se seleccionan múltiples ventanas para preprocesar la secuencia de la proteína a través de las propiedades seleccionadas. Las ventanas más cortas reflejan las características del residuo central, y las ventanas más largas reflejan las características de los alrededores del residuo central. Además, para destacar la especificidad de la secuencia y las propiedades evolutivas, se preprocesan, respectivamente. Después, las propiedades preprocesadas se combinan en matrices de características como entrada de la CNN construida. Nuestro método se entrena y se prueba a partir de la base de datos DisProt. Los resultados de la simulación muestran que el método propuesto puede predecir los IDPs de forma efectiva, y el rendimiento es competitivo en comparación con IsUnstruct y ESpritz.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:propiedad evolutiva, residuos centrales, red neuronal convolucional, combinación de secuencia, estructura estable única, idp, especificidad de secuencia, papel importante, cnn construida, matriz de características
• Keywords:evolutionary property, central residues, convolutional neural network, combination of sequence, single stable structure, idp, specificity of sequence, important role, constructed cnn, features matrix