Transmembrane topology and signal peptide prediction using dynamic bayesian networks

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:kth-48849" > Transmembrane topol...

1 av 1
Föregående post
Nästa post
Till träfflistan

Reynolds, Sheila M. (författare)

Transmembrane topology and signal peptide prediction using dynamic bayesian networks

Artikel/kapitelEngelska2008

Förlag, utgivningsår, omfång ...

2008-11-07
Public Library of Science (PLoS),2008
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:kth-48849
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-48849URI
https://doi.org/10.1371/journal.pcbi.1000213DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

QC 20111128
Hidden Markov models (HMMs) have been successfully applied to the tasks of transmembrane protein topology prediction and signal peptide prediction. In this paper we expand upon this work by making use of the more powerful class of dynamic Bayesian networks (DBNs). Our model, Philius, is inspired by a previously published HMM, Phobius, and combines a signal peptide submodel with a transmembrane submodel. We introduce a two-stage DBN decoder that combines the power of posterior decoding with the grammar constraints of Viterbi-style decoding. Philius also provides protein type, segment, and topology confidence metrics to aid in the interpretation of the predictions. We report a relative improvement of 13% over Phobius in full-topology prediction accuracy on transmembrane proteins, and a sensitivity and specificity of 0.96 in detecting signal peptides. We also show that our confidence metrics correlate well with the observed precision. In addition, we have made predictions on all 6.3 million proteins in the Yeast Resource Center (YRC) database. This large-scale study provides an overall picture of the relative numbers of proteins that include a signal-peptide and/or one or more transmembrane segments as well as a valuable resource for the scientific community. All DBNs are implemented using the Graphical Models Toolkit. Source code for the models described here is available at http://noble.gs.washington.edu/proj/philius. A Philius Web server is available at http://www.yeastrc.org/philius, and the predictions on the YRC database are available at http://www.yeastrc.org/pdr.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

Käll, Lukas,1969-KTH,Genteknologi(Swepub:kth)u1gqsept (författare)
Riffle, Michael E. (författare)
Bilmes, Jeff A. (författare)
Noble, William Stafford (författare)
KTHGenteknologi (creator_code:org_t)

Sammanhörande titlar

Ingår i:PloS Computational Biology: Public Library of Science (PLoS)4:11, s. e1000213-1553-734X1553-7358

Internetlänk

Hitta via bibliotek

PloS Computational Biology (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Reynolds, Sheila ...; Käll, Lukas, 196 ...; Riffle, Michael ...; Bilmes, Jeff A.; Noble, William S ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Bioinformatik

Artiklar i publikationen: PloS Computation ...

Av lärosätet: Kungliga Tekniska Högskolan

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se