DNA\RNA相互结合的蛋白质预测与统计分析

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61305072
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    23.0万
  • 负责人：
    马昕
  • 依托单位：
    南京审计大学
  • 学科分类：
    F0603.机器学习
  • 结题年份：
    2016
  • 批准年份：
    2013
  • 项目状态：
    已结题
  • 起止时间：
    2014-01-01 至2016-12-31

项目摘要

DNA\RNA-binding proteins plays critical roles in cellular functions. On the international level, the general methods of DNA\RNA-binding protein prediction using machine learning algorithms usually extracted protein sequence features or structural features to identify the binding protein. However the existence of DNA\RNA-binding residues is almost no consideration. Base on the well-built of DNA-binding residues prediction model DNABR and RNA-binding residues prediction model PRBR, we will present the method to identify whether a query protein is DNA-binding protein(RNA-binding protein) or not by using the information of DNA-binding residues(RNA-binding residues) in the sequence. Research contents are as follows: (1) statistical analysis of binding residues in DNA-binding proteins(RNA-binding proteins) and non-binding proteins. (2)using the statistical results to built significant differences between binding proteins and non-binding proteins. And the prediction models of DNA-binding proteins and RNA-binding proteins will be built from amino acid sequence by using machine learning methods. (3) Two web-server systems which constructed based on DNA-binding protein model and RNA-binding protein model are used to facilitate researchers for efficiently predicting DNA-binding proteins and RNA-binding proteins repectively.
DNA\RNA-结合蛋白在生物体细胞活动中起到至关重要的作用。国际上利用机器学习算法对DNA\RNA结合蛋白预测的研究，都是单纯的提取蛋白质序列特征或结构特征来识别结合蛋白，而判定DNA\RNA结合蛋白的最有效证据-DNA\RNA-结合残基的存在却无人考虑。本项目拟在前期DNA\RNA-结合残基预测模型完善构建的基础上，利用预测出的结合残基的信息判定某一特定蛋白质是否为DNA\RNA结合蛋白。研究内容包括：（1）分别对DNA-结合蛋白与非结合蛋白、RNA-结合蛋白与非结合蛋白中预测出的结合残基进行多方面的统计分析（2）利用分析结果对结合蛋白和非结合的蛋白构建出具有显著差异的特征，并通过机器学习方法利用序列信息获得DNA-结合蛋白预测模型和RNA-结合蛋白预测模型。（3）分别构建DNA-结合蛋白预测平台和RNA-结合蛋白预测平台，为蛋白质功能和药物设计提供技术和数据支持。

结项摘要

DNA\RNA-结合蛋白在生物体细胞活动中起到至关重要的作用。国际上利用机器学习算法对DNA\RNA结合蛋白预测的研究，都是单纯的提取蛋白质序列特征或结构特征来识别结合蛋白，而判定DNA\RNA结合蛋白的最有效证据-DNA\RNA-结合残基的存在却无人考虑。本项目在前期DNA\RNA-结合残基预测模型完善构建的基础上，利用预测出的结合残基的信息判定某一特定蛋白质是否为DNA\RNA结合蛋白，并利用较好的特征提取方法来提高预测效果。研究内容包括：（1）分别对DNA-结合蛋白与非结合蛋白、RNA-结合蛋白与非结合蛋白中预测出的结合残基进行多方面的统计分析，利用分析结果对结合蛋白和非结合的蛋白构建出具有显著差异的特征。（2）提出对结合蛋白有效的分类特征，并利用特征提取的方法筛选出更有效的特征。（3）通过机器学习方法利用筛选后的特征，获得DNA-结合蛋白预测模型和RNA-结合蛋白预测模型。（4）分别构建DNA-结合蛋白预测平台和RNA-结合蛋白预测平台，为蛋白质功能和药物设计提供技术和数据支持。

项目成果

期刊论文数量（5）
专著数量（0）
科研奖励数量（0）
会议论文数量（1）
专利数量（0）
Sequence-Based Prediction of RNA-Binding Proteins Using Random Forest with Minimum Redundancy Maximum Relevance Feature Selection
使用具有最小冗余最大相关性特征选择的随机森林对 RNA 结合蛋白进行基于序列的预测
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    Biomed Research International
  • 影响因子：
    --
  • 作者：
    马昕;郭静;孙啸
  • 通讯作者：
    孙啸
Sequence-based predictor of ATP-binding residues using random forest and mRMR-IFS feature selection
使用随机森林和 mRMR-IFS 特征选择的 ATP 结合残基的基于序列的预测器
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    Journal of Theoretical Biology
  • 影响因子：
    2
  • 作者：
    马昕;孙啸
  • 通讯作者：
    孙啸
PRBP: Prediction of RNA-Binding Proteins Using a Random Forest Algorithm Combined with an RNA-Binding Residue Predictor
PRBP：使用随机森林算法结合 RNA 结合残基预测器来预测 RNA 结合蛋白
  • DOI：
    10.1109/tcbb.2015.2418773
  • 发表时间：
    2015
  • 期刊：
    IEEE/ACM Transactions on Computational Biology and Bioinformatics
  • 影响因子：
    --
  • 作者：
    马昕;郭静;肖可;孙啸
  • 通讯作者：
    孙啸
Identification of DNA-Binding Proteins Using Support Vector Machine with Sequence Information
使用具有序列信息的支持向量机鉴定 DNA 结合蛋白
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    Computational and Mathematical Methods in Medicine
  • 影响因子：
    --
  • 作者：
    马昕;吴建盛;许晓云
  • 通讯作者：
    许晓云
DNABP: Identification of DNA-Binding Proteins Based on Feature Selection Using a Random Forest and Predicting Binding Residues
DNABP：基于使用随机森林的特征选择和预测结合残基的 DNA 结合蛋白鉴定
  • DOI：
    10.1371/journal.pone.0167345
  • 发表时间：
    2016
  • 期刊：
    PLos One
  • 影响因子：
    3.7
  • 作者：
    Ma X;Guo J;Sun X
  • 通讯作者：
    Sun X

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

四足仿生机器人的分层实时控制系统
  • DOI：
    --
  • 发表时间：
    2012
  • 期刊：
    山东大学学报(工学版)
  • 影响因子：
    --
  • 作者：
    马昕;王维;宋锐;荣学文;孟健;李贻斌;王博
  • 通讯作者：
    王博
螺钉与钢板固定骨质疏松患者后踝骨折在模拟正常步态周期中的生物力学研究
  • DOI：
    doi：10．3760／cma．j．issn．0253-2352．2017．22．0052017,37(22):1407-1415.
  • 发表时间：
    2017
  • 期刊：
    中华骨科杂志
  • 影响因子：
    --
  • 作者：
    王旭;尹建文;耿翔;王晨;陈立;张超;黄加张;马昕
  • 通讯作者：
    马昕
下肢外骨骼人机耦合交互力特性分析
  • DOI：
    10.16156/j.1004-7220.2022.02.018
  • 发表时间：
    2022
  • 期刊：
    医用生物力学
  • 影响因子：
    --
  • 作者：
    周泽世;朱钧;朱云超;张鑫彬;陈文明;马昕
  • 通讯作者：
    马昕
基于卡尔曼滤波和随机回归森林的实时头部姿态估计
  • DOI：
    --
  • 发表时间：
    2019
  • 期刊：
    计算机辅助设计与图形学学报
  • 影响因子：
    --
  • 作者：
    李成龙;钟凡;马昕;秦学英
  • 通讯作者：
    秦学英
Quantifying CO2 Uptakes Over Oceans Using LIDAR: A Tentative Experiment in Bohai Bay
使用激光雷达量化海洋上的二氧化碳吸收量：渤海湾的初步实验
  • DOI：
    10.1029/2020gl091160
  • 发表时间：
    2021
  • 期刊：
    Geophysical Research Letters
  • 影响因子：
    5.2
  • 作者：
    史天奇;韩舸;马昕;龚威;陈卫标;刘继桥;张兴赢;裴志鹏;缑海龙;卜令兵
  • 通讯作者：
    卜令兵

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码