看看最近的文章

在2020年，已经建立了一个非常强大的web服务器预测器，用于仅基于序列信息识别人类蛋白质的亚细胞定位[1]，其中相同的蛋白质可能在两个或多个位置位点之间发生或移动，因此需要使用多标签方法进行标记[2]。

web服务器预测器称为“pLoc_Deep-mVirus”，其中“Deep”表示web服务器已通过“深度学习”技术得到进一步改进[3-6]，“m”表示能够处理多标签系统的能力。要了解web服务器是如何工作的，请执行以下操作。

步骤1。单击http://www.jci-bioinfo.cn/pLoc_Deep-mVirus/上的链接，pLoc_bal-mVirus web服务器的首页将出现在计算机屏幕上，如图1所示。点击给我读按钮以查看有关预测器的简要介绍。

图1所示。pLoc_bal-mVirus web服务器

步骤2。键入或复制/粘贴查询人类蛋白质的序列到图1中心的输入框中。输入序列应采用FASTA格式。有关FASTA格式序列的示例，请单击例子输入框上方的按钮。

步骤3。点击提交按钮查看预测结果。例如，如果你用四个蛋白质序列例子窗口作为输入，大约10秒后，您将看到出现一个新屏幕(图2)。在其上部列出了当前预测器所覆盖的从(1)到(6)编号的亚细胞位置的名称。其下部为预测结果:例1的查询蛋白P01115对应“2”，即仅属于“宿主细胞膜”;例2的查询蛋白P03495对应“4,5”，即属于“寄主细胞质”和“寄主细胞核”;例3的查询蛋白P89873对应“4,5,6”，即属于“宿主细胞质”、“宿主细胞核”和“分泌”。这些结果与实验观察完全一致。

图2。继续测试

步骤4。如图2的下面板所示，您还可以通过输入您的电子邮件地址和所需的批处理输入文件(当然是FASTA格式)来选择批处理预测浏览按钮。要查看批处理输入文件的示例，请单击该按钮批量示例。点击按钮后Batch-submit，您将看到“批处理作业正在计算中;一旦结果出来，我们会通过电子邮件通知你。”

步骤5。点击引用按钮，查找在开发当前pLoc_Deep-mVirus预测器中发挥关键作用的论文。

步骤6。点击“支持信息”按钮下载本文中提到的支持信息。

参考文献

1. 邵玉涛，程鑫，周克成(2020)pLoc_Deep-mVirus:基于深度学习分子治疗-核酸(MTNA)预测病毒蛋白亚细胞定位的CNN模型，已发表。
2. 周克成(2019)多标记蛋白亚细胞定位预测及其对多靶点药物开发的意义。当代医学化学26日:4918 - 4943。(Crossref］
3. Maxwell A，李锐，杨波，翁红，欧A等。(2017)基于深度学习的多标签智能健康风险预测分类体系结构。BMC生物信息学18: 523。(Crossref］
4. Khan S, Khan M, Iqbal N, Hussain T, Khan SA等。(2019)基于Chou五步规则的深度学习算法识别piRNA及其功能的两层计算模型。人类遗传学26日:795 - 809。
5. Nazari I, Tahir M, Tayari H, Chong KT, iN6-Methyl(5步):基于Chou的5步规则和Chou的一般PseKNC的深度学习模式识别RNA n6 -甲基腺苷位点。化学计量学和智能实验室系统193: 103811。
6. 朱可明，李建军，李建军，李建军。(2019)iRSpot-SPI:基于周五步规则和伪成分结合二级序列信息的重组斑点预测。化学计量学和智能实验室系统189: 169 - 180。