内容

赖氨酸（符号 Lys 或 K）琥珀酰化 (Ksucc) 位点的鉴定集中了揭示赖氨酸琥珀酰化修饰的机制和功能的基础。传统的 Ksucc 位点定位实验方法通常既昂贵又耗时。因此，有必要构建一种有效的计算方法来预测蛋白质序列中 Ksucc 位点的存在。在这项研究中，我们提出了一种新颖且有效的预测器，用于基于深度学习算法识别 Ksucc 位点，称为 Deep_KsuccSite。预测器采用组成、转换和分布（CTD）组成（CTDC）、增强的分组氨基酸组成（EGAAC）、两亲性假氨基酸组成（APAAC）和嵌入编码方法对肽段进行编码，然后构建了三个使用一维（1D）卷积神经网络（CNN）和2D-CNN，最后采用投票法得到最终结果。 K折交叉验证和独立测试表明，Deep_KsuccSite可以作为识别蛋白质序列中Ksucc位点的有效工具。此外，基于投票、特征组合和模型架构的消融实验结果表明，Deep_KsuccSite 可以充分利用不同特征的信息来构建有效的分类器。综上所述，我们在本研究中开发了 Deep_KsuccSite，它基于深度学习算法，可以实现比当前赖氨酸琥珀酰化位点方法更好的预测精度。本方法研究中涉及的代码和数据集可在 URL https://github.com/flyinsky6/Deep_KsuccSite 永久获得。