Seznam nástrojů pro predikci subcelulární lokalizace proteinů - List of Protein subcellular localization prediction tools

Tento seznam nástrojů pro predikci subcelulární lokalizace proteinů zahrnuje software, databáze a webové služby, pro které se používá predikce subcelulární lokalizace proteinu.

Zahrnuty jsou některé nástroje, které se běžně používají k odvození polohy pomocí předpovězených strukturálních vlastností, například signální peptid nebo transmembránové šroubovice a tyto nástroje produkují předpovědi těchto funkcí spíše než konkrétní umístění. Tento software souvisí s predikce proteinové struktury se mohou také objevit v seznamy softwaru pro predikci struktury proteinů.

Nástroje

  • Popisy pocházející ze záznamu v https://bio.tools/ registr (používaný pod licencí CC-BY) jsou označeny odkazem
názevPopisReferenceURLRok
AAIndexLocAlgoritmus založený na strojovém učení, který používá index aminokyselin k předpovědi lokalizace subcelulární bílkoviny na základě jeho sekvence. (vstup bio.tools )[1]http://aaindexloc.bii.a-star.edu.sg/2008
APSLAPPředpověď subcelulární lokalizace proteinu apoptózy[2]2013
AtSubPVysoce přesný nástroj pro predikci subcelulární lokalizace pro anotování proteomu Arabidopsis thaliana. (vstup bio.tools )[3]http://bioinfo3.noble.org/AtSubP/2010
BaCelLoBaCelLo je prediktor subcelulární lokalizace proteinů v eukaryotech. (vstup bio.tools )[4]http://gpcr.biocomp.unibo.it/bacello/index.htm2006
BAR +BAR + je server pro strukturální a funkční anotaci proteinových sekvencí (vstup bio.tools )[5]http://bar.biocomp.unibo.it/bar2.0/2011
BARBAR 3.0 je server pro anotaci proteinových sekvencí, který se opírá o komparativní rozsáhlou analýzu celého systému UniProt. S BAR 3.0 a sekvencí můžete anotovat, kdykoli je to možné: funkce (Gene Ontology), struktura (Protein Data Bank), proteinové domény (Pfam). Také pokud vaše sekvence spadá do klastru se strukturální / nějakou strukturální šablonou / šablonami, poskytneme zarovnání směrem k šabloně / šablonám na základě Cluster-HMM (profil HMM), který vám umožní přímo vypočítat váš 3D model. Klastrové HMM jsou k dispozici ke stažení. (vstup bio.tools )[6][5]https://bar.biocomp.unibo.it/bar3/2017
BASysBASys (Bacterial Annotation System) je nástroj pro automatickou anotaci bakteriálních genomových (chromozomálních a plazmidových) sekvencí včetně názvů genů / proteinů, funkcí GO, funkcí COG, možných paralogů a ortologů, molekulových hmotností, izoelektrických bodů, struktur operonů, subcelulární lokalizace, signální peptidy, transmembránové oblasti, sekundární struktury, 3-D struktury, reakce a dráhy. (vstup bio.tools )[7]http://basys.ca2005
BOMPBeta-barrel Outer Membrane protein Predictor (BOMP) bere jako vstup jednu nebo více rychle formátovaných polypeptidových sekvencí z gramnegativních bakterií a předpovídá, zda se jedná o integrální proteiny vnější membrány beta-barelu. (vstup bio.tools )[8]http://www.bioinfo.no/tools/bomp2004
BPROMPTBayesian PRediction of Membrane Protein Topology (BPROMPT) využívá Bayesian Belief Network ke kombinování výsledků jiných metod predikce membránových proteinů pro proteinovou sekvenci. (vstup bio.tools )[9]http://www.ddg-pharmfac.net/bprompt/BPROMPT/BPROMPT.html2003
Cell-PLocBalíček webových serverů pro predikci subcelulární lokalizace proteinů v různých organismech.[10]2008
CELLOCELLO používá dvouúrovňový systém Support Vector Machine k přiřazování lokalizací prokaryotickým i eukaryotickým proteinům.[11][12]2006
ClubSub-PClubSub-P je databáze předpovědí subcelulární lokalizace (SCL) založených na klastrech pro Archaea a Gram negativní bakterie.[13]2011
CoBaltDBCoBaltDB je nová výkonná platforma, která poskytuje snadný přístup k výsledkům mnoha lokalizačních nástrojů a podporu předpovědi lokalizace prokaryotických proteinů.[14]2010
ComiRComiR je webový nástroj pro predikci kombinatorické mikroRNA (miRNA). Vzhledem k poselské RNA (mRNA) v lidských, myších, mouchách nebo červích genomech ComiR předpovídá, zda je daná mRNA cílena sadou miRNA. (vstup bio.tools )[15]http://www.benoslab.pitt.edu/comir/2013
cropPALDatový portál pro přístup ke kompendiu údajů o subcelulárních polohách rostlinných bílkovin. (vstup bio.tools )[16]http://crop-pal.org/2016
DAS-TM filtrDAS (Dense Alignment Surface) je založen na nízko přísných bodových grafech dotazované sekvence proti sadě knihovních sekvencí - nehomologních membránových proteinů - pomocí dříve odvozené speciální skórovací matice. Metoda poskytuje vysoce přesný profil hyrdophobicity pro dotaz, ze kterého lze získat umístění potenciálních transmembránových segmentů. Novinkou algoritmu filtru DAS-TM je druhý predikční cyklus pro predikci segmentů TM v sekvencích knihovny TM. (vstup bio.tools )[17]http://mendel.imp.ac.at/sat/DAS/DAS.html2002
DeepLocPredikce subcelulární lokalizace eukaryotického proteinu pomocí hlubokého učení (vstup bio.tools )[18]http://www.cbs.dtu.dk/services/DeepLoc/2017
DIANA-microT v5.0Webový server, který předpovídá cíle pro miRNA a poskytuje funkční informace o predikované miRNA: interakce cílového genu z různých online biologických zdrojů. Aktualizace umožňují přidružení miRNA k chorobám prostřednictvím bibliografické analýzy a připojení k prohlížeči genomu UCSC. Aktualizace zahrnují propracované pracovní postupy. (vstup bio.tools )[19][20]http://diana.imis.athena-innovation.gr/DianaTools/index.php?r=MicroT_CDS/index2013
DrugBankDrugBank je jedinečný zdroj bioinformatiky / cheminformatiky, který kombinuje podrobné údaje o lécích (tj. Chemické) s komplexními informacemi o cílech léků (tj. Protein). Databáze obsahuje> 4100 záznamů o léčivech, včetně> 800 FDA schválených malých molekul a biotechnologických léčiv, jakož i> 3200 experimentálních léčiv. S těmito vstupy léčiva je navíc spojeno> 14 000 proteinových nebo lékových cílových sekvencí. (vstup bio.tools )[21]http://redpoll.pharmacy.ualberta.ca/drugbank/index.html2006
Index E.ColiKomplexní průvodce informacemi týkajícími se E. coli; domov Echobase: databáze genů E. coli charakterizovaných od dokončení genomu. (vstup bio.tools )[22]http://www.york.ac.uk/res/thomas/2009
ePlantSada celosvětových webových nástrojů s otevřeným zdrojovým kódem pro vizualizaci rozsáhlých souborů dat z modelového organismu Arabidopsis thaliana. Může být aplikován na jakýkoli modelový organismus. V současné době má 3 moduly: průzkumník zachování sekvence, který zahrnuje vztahy homologie a údaje o polymorfismu jediného nukleotidu, průzkumník modelu proteinové struktury, průzkumník sítě molekulárních interakcí, průzkumník subcelulární lokalizace genového produktu a průzkumník vzorů genové exprese. (vstup bio.tools )[23]http://bar.utoronto.ca/eplant/2011
ESLpredESLpred je nástroj pro predikci subcelulární lokalizace proteinů pomocí podpůrných vektorových strojů. Předpovědi jsou založeny na složení dipeptidů a aminokyselin a fyzikálně-chemických vlastnostech. (vstup bio.tools )[24]http://www.imtech.res.in/raghava/eslpred/2004
Euk-mPLoc 2.0Predikce subcelulární lokalizace eukaryotických proteinů s jedním i více místy.[25]2010
UDEŘILKomplexní a plně spravovaná databáze bylinných ingrediencí ?? Cíle (HIT). Tyto bylinné přísady s informacemi o cílovém proteinu byly pečlivě ošetřeny. Informace o molekulárním cíli zahrnují ty proteiny, které jsou přímo / nepřímo aktivovány / inhibovány, proteinová pojiva a enzymy, jejichž substráty nebo produkty jsou tyto sloučeniny. Tyto regulované geny nahoru / dolů jsou také zahrnuty do léčby jednotlivých složek. Kromě toho jsou pro referenci uživatele poskytnuty experimentální podmínky, pozorovaná bioaktivita a různé reference. Databázi lze vyhledávat pomocí vyhledávání klíčových slov nebo vyhledávání podobností. Byly provedeny křížové odkazy do databází TTD, DrugBank, KEGG, PDB, Uniprot, Pfam, NCBI, TCM-ID a dalších. (vstup bio.tools )[26]http://lifecenter.sgst.cn/hit/2011
HMMTOPPredikce šroubovic transmembrány a topologie proteinů. (vstup bio.tools )[27][28]http://www.enzim.hu/hmmtop/2001
HSLpredUmožňuje předpovídat subcelulární lokalizaci lidských proteinů. To je založeno na různých typech zbytkového složení proteinů pomocí techniky SVM. (vstup bio.tools )[29]http://www.imtech.res.in/raghava/hslpred/2005
idTargetidTarget je webový server pro identifikaci biomolekulárních cílů malých chemických molekul s robustními skórovacími funkcemi a dokovacím přístupem rozděl a panuj. idTarget kontroluje proteinové struktury v PDB. (vstup bio.tools )[30]http://idtarget.rcas.sinica.edu.tw2012
iLoc-CellPrediktor pro subcelulární umístění lidských proteinů s více místy. (vstup bio.tools )[31]http://www.jci-bioinfo.cn/iLoc-Hum2012
KnowPredsiteZnalostní přístup k předpovědi lokalizačního místa (míst) jak lokalizovaných, tak multilokalizovaných proteinů pro všechny eukaryoty.[32]2009
lncRNAdbDatabáze lncRNAdb obsahuje komplexní seznam dlouhých nekódujících RNA (lncRNA), u nichž bylo prokázáno, že mají nebo jsou spojeny s biologickými funkcemi u eukaryot, stejně jako messengerové RNA, které mají regulační role. Každá položka obsahuje odkazované informace o RNA, včetně sekvencí, strukturních informací, genomového kontextu, exprese, subcelulární lokalizace, konzervace, funkčních důkazů a dalších příslušných informací. lncRNAdb lze prohledávat dotazováním na publikované názvy RNA a aliasy, sekvence, druhy a související geny kódující proteiny, jakož i termíny obsažené v anotacích, jako jsou tkáně, ve kterých jsou transkripty exprimovány, a související nemoci. Kromě toho je lncRNAdb propojen s UCSC Genome Browser pro vizualizaci a Noncoding RNA Expression Database (NRED) pro informace o expresi z různých zdrojů. (vstup bio.tools )[33]http://arquivo.pt/wayback/20160516021755/http://www.lncrnadb.org/2011
Loc3DLOC3D je databáze predikované subcelulární lokalizace pro eukaryotické proteiny známé trojrozměrné (3D) struktury a zahrnuje nástroje pro predikci subcelulární lokalizace pro předložené proteinové sekvence. (vstup bio.tools )[34][35][36]http://cubic.bioc.columbia.edu/db/LOC3d/2005
LOKALIZOVATLOCATE je kurátorovaná databáze, která obsahuje data popisující membránovou organizaci a subcelulární lokalizaci myších proteinů. (vstup bio.tools )[37]https://web.archive.org/web/20171231015119/http://locate.imb.uq.edu.au/2006
LocDBLocDB je ručně upravená databáze s experimentálními anotacemi pro subcelulární lokalizace proteinů v Homo sapiens (HS, člověk) a Arabidopsis thaliana (AT, thale cress). Každá položka v databázi obsahuje experimentálně odvozenou lokalizaci v terminologii Gene Ontology (GO), experimentální anotaci lokalizace, předpovědi lokalizace pomocí nejmodernějších metod a, je-li k dispozici, typ experimentálních informací. LocDB lze prohledávat podle klíčového slova, názvu proteinu a subcelulárního kompartmentu, stejně jako podle identifikátorů ze zdrojů UniProt, Ensembl a TAIR. (vstup bio.tools )[38]http://www.rostlab.org/services/locDB/2011
LOCtargetLOCtarget je nástroj pro předpovídání a databázi předpočítaných předpovědí pro subcelulární lokalizaci eukaryotických a prokaryotických proteinů. K vytváření předpovědí se používá několik metod, včetně textové analýzy klíčových slov SWISS-PROT, signálů o lokalizaci jader a použití neuronových sítí. (vstup bio.tools )[39]http://www.rostlab.org/services/LOCtarget/2004
LOCtreePredikce založená na napodobování mechanismu třídění buněk pomocí hierarchické implementace podporovat vektorové stroje. LOCtree je komplexní prediktor zahrnující předpovědi založené na STRÁNKA /PFAM podpisy i SwissProt klíčová slova.[35]2005
LocTree2Rámec pro předpověď lokalizace ve třech doménách života, včetně globulárních a membránových proteinů (3 třídy pro archea, 6 pro bakterie a 18 pro eukaryota). Výsledná metoda, LocTree2, funguje dobře i pro fragmenty proteinů. Využívá hierarchický systém podpůrných vektorových strojů, který napodobuje kaskádový mechanismus buněčného třídění. Metoda dosahuje vysokých úrovní trvalého výkonu (eukaryota: Q18 = 65%, bakterie: Q6 = 84%). LocTree2 také přesně rozlišuje membránové a nemembránové proteiny. V našich rukou to bylo při testování na nových datech příznivě ve srovnání se špičkovými metodami (vstup bio.tools )[40]https://rostlab.org/owiki/index.php/Loctree22012
LocTree3Predikce proteinové subcelulární lokalizace v 18 třídách pro eukaryota, 6 pro bakterie a 3 pro archea (vstup bio.tools )[40][41]https://rostlab.org/services/loctree3/2014
MARSpredMetoda predikce diskriminace mezi mitochondriálními AARS a cytosolickými AARS. (vstup bio.tools )[42]http://www.imtech.res.in/raghava/marspred/2012
MDLocPrediktor subcelulárního umístění proteinu na základě závislosti. (vstup bio.tools )[43]http://128.4.31.235/2015
MemLociPrediktor subcelulární lokalizace proteinů asociovaných nebo vložených do membrán eukaryot. (vstup bio.tools )[44]https://mu2py.biocomp.unibo.it/memloci2011
MemPypePredikce topologie a subcelulární lokalizace proteinů eukaryotické membrány. (vstup bio.tools )[45]https://mu2py.biocomp.unibo.it/mempype2011
MetaLocGramNMeta subcelulární lokalizační prediktor gramnegativního proteinu. MetaLocGramN je bránou k řadě primárních metod predikce (různé typy: signální peptid, beta-hlaveň, transmembránové šroubovice a prediktory subcelulární lokalizace). V benchmarku autora si MetaLocGramN vedl lépe ve srovnání s jinými prediktivními metodami SCL, protože průměrný korelační koeficient Matthews dosáhl 0,806, což zvýšilo prediktivní schopnost o 12% (ve srovnání s PSORTb3). MetaLocGramN lze spustit přes MÝDLO.[46]2012
MirZMirZ je webový server, který slouží k vyhodnocení a analýze miRNA. Integruje dva zdroje miRNA: atlas exprese miRNA smiRNAdb a algoritmus predikce cíle miRNA E1MMo. (vstup bio.tools )[47]http://www.mirz.unibas.ch2009
MitPredWebový server speciálně vyškolený pro predikci proteinů, které jsou určeny k lokalizaci v mitochondriích, zejména u kvasinek a zvířat. (vstup bio.tools )[48]http://www.imtech.res.in/raghava/mitpred/2006
MultiLocPredikční modul založený na SVM pro širokou škálu subcelulárních umístění.[49]2006
MycosubTento webový server byl použit k predikci subcelulárních lokalizací mykobakteriálních proteinů na základě optimálních tripeptidových kompozic. (vstup bio.tools )[50]http://lin.uestc.edu.cn/server/Mycosub2015
NetNESPredikce signálů exportu jaderných látek (NES) bohatých na leucin v eukaryotických proteinech (vstup bio.tools )[51]http://cbs.dtu.dk/services/NetNES/2004
ngLOCngLOC je Bayesovský klasifikátor založený na n-gramech, který předpovídá subcelulární lokalizaci proteinů jak u prokaryot, tak u eukaryot. Celková přesnost predikce se u různých druhů pohybuje od 85,3% do 91,4%. (vstup bio.tools )[52]http://genome.unmc.edu/ngLOC/index.html2007
OBCOLSoftware, který jsme navrhli k provádění kolokalizační analýzy na bázi organel z mikroskopie s více fluorofory, 2D, 3D a 4D buněčného zobrazování. (vstup bio.tools )[53]http://obcol.imb.uq.edu.au/2009
PA-SUBPA-SUB (Proteome Analyst Specialized Subcellular Localization Server) lze použít k předpovědi subcelulární lokalizace proteinů pomocí zavedených technik strojového učení. (vstup bio.tools )[54][55]http://www.cs.ualberta.ca/~bioinfo/PA/Sub/2004
PharmMapperPharmMapper je webový server, který identifikuje potenciální lékové cíle z jeho PharmTargetDB pro danou vstupní molekulu. Potenciální cíle jsou identifikovány z predikce prostorového uspořádání prvků nezbytných pro interakci dané molekuly s cílem. (vstup bio.tools )[56]http://59.78.96.61/pharmmapper2010
PlantLocPlantLoc je webový server pro predikci subcelulární lokalizace rostlinných proteinů pomocí motivu podstatnosti. (vstup bio.tools )[57]http://cal.tongji.edu.cn/PlantLoc/2013
PRED-TMBBPRED-TMBB je nástroj, který jako vstup využívá sekvenci gramnegativních bakteriálních proteinů a předpovídá transmembránové řetězce a pravděpodobnost, že se jedná o beta-barel proteinu vnější membrány. Uživatel má na výběr ze tří různých metod dekódování. (vstup bio.tools )[58][59]http://bioinformatics.biol.uoa.gr/PRED-TMBB/2004
PredictNLSPredikce a analýza signálů o lokalizaci jader (vstup bio.tools )[60]https://www.rostlab.org/owiki/index.php/PredictNLS2000
PredictProtein OpenPredikce různých aspektů struktury a funkce proteinů. Uživatel může odeslat dotaz na server bez registrace. (vstup bio.tools )[61][62][63][64]http://ppopen.informatik.tu-muenchen.de/2014
PREP SuiteSada PREP (Predictive RNA Editors for Plants) předpovídá místa úpravy RNA na základě principu, že úpravy v organelách rostlin zvyšují ochranu proteinů napříč druhy. Zahrnuty jsou prediktory pro mitochondriální geny, chloroplastové geny a zarovnání zadané uživatelem. (vstup bio.tools )[65][66]http://prep.unl.edu/2009
ProLoc-GOProLoc-GO je efektivní metoda založená na sekvenci, která těží informativní termíny genové ontologie pro predikci proteinové subcelulární lokalizace. (vstup bio.tools )[67]http://140.113.239.45/prolocgo/2008
ProLocKlasifikátor založený na evolučním podpůrném vektorovém stroji (ESVM) s automatickým výběrem z velké sady funkcí fyzikálně-chemického složení (PCC) pro návrh přesného systému pro predikci lokalizace proteinů v podjaderné oblasti. (vstup bio.tools )[68]http://140.113.239.45/proloc/2007
ProtegenProtegen je webová databáze a analytický systém, který spravuje, ukládá a analyzuje ochranné antigeny. Protegen zahrnuje základní informace o antigenu a experimentální důkazy získané z recenzovaných článků. Zahrnuje také podrobné informace o genech / proteinech (např. Sekvence DNA a proteinů a klasifikace COG). Předpočítány jsou různé rysy antigenu, jako je hmotnost proteinu a pl a subcelulární lokalizace bakteriálních proteinů. (vstup bio.tools )[69]http://www.violinet.org/protegen2011
Proteome analytikProteome Analyst je vysoce výkonný nástroj pro predikci vlastností každého proteinu v proteomu. Uživatel poskytuje proteom ve formátu fasta a systém používá Psi-blast, Psipred a Modeller k predikci funkce proteinu a subcelulární lokalizace. Proteome Analyst používá strojově naučené klasifikátory k předpovídání věcí, jako je molekulární funkce GO. Uživatelem dodaná tréninková data lze také použít k vytvoření vlastních klasifikátorů. (vstup bio.tools )[55]http://www.cs.ualberta.ca/~bioinfo/PA/2004
ProToxProTox je webový server pro in silico predikci orální toxicity malých molekul u hlodavců. (vstup bio.tools )[70][71]http://tox.charite.de/tox2018
PSLpredZpůsob subcelulární lokalizace proteinů patří mezi prokaryotické genomy. (vstup bio.tools )[72]http://www.imtech.res.in/raghava/pslpred/2005
PSORTbPSORTb (pro „bakteriální“ PSORT) je vysoce přesná metoda predikce lokalizace bakteriálních proteinů. PSORTb zůstal nejpřesnějším prediktorem subcelulární lokalizace bakteriálních proteinů (SCL) od doby, kdy byl poprvé k dispozici v roce 2003. Verze PSORTb zlepšila odvolání, vyšší proteom - pokrytí predikce měřítka a nové vylepšené podkategorie lokalizace. Jedná se o první SCL prediktor specificky zaměřený na všechny prokaryoty, včetně archea a bakterií s atypickými topologiemi membrán / buněčných stěn. (vstup bio.tools )[73]http://www.psort.org/psortb/2010
PSORTdbPSORTdb (součást rodiny PSORT) je databáze subcelulárních lokalizací proteinů pro bakterie a archea, která obsahuje jak informace určené laboratorními experimenty (datový soubor ePSORTdb), tak výpočetní předpovědi (datový soubor cPSORTdb). (vstup bio.tools )[74][75]http://db.psort.org2010
psRobotpsRobot je webový nástroj pro metaanalýzu malých RNA rostlin. psRobot počítá malou predikci RNA ve smyčce, která srovnává uživatelem nahrané sekvence s vybraným genomem, extrahuje jejich predikované prekurzory a předpovídá, zda se prekurzory mohou složit do sekundární struktury ve tvaru kmenové smyčky. psRobot také počítá predikci malých cílů RNA, které předpovídají možné cíle uživatelem poskytovaných malých sekvencí RNA z vybrané knihovny transkriptů. (vstup bio.tools )[76]http://omicslab.genetics.ac.cn/psRobot/2012
pTARGETpTARGET předpovídá subcelulární lokalizaci eukaryotických proteinů na základě vzorců výskytu funkčně specifických lokalizačních proteinových domén a rozdílů ve složení aminokyselin v proteinech z devíti odlišných subcelulárních lokalit. (vstup bio.tools )[77][78]http://bioinformatics.albany.edu/~ptarget2006
RegPhosRegPhos je databáze pro průzkum fosforylační sítě spojené se vstupem genů / proteinů. Zahrnuty jsou také informace o subcelulární lokalizaci. (vstup bio.tools )[79]http://regphos.mbc.nctu.edu.tw/2011
RepTarRepTar je databáze předpovědí cílů miRNA, založená na algoritmu RepTar, který je nezávislý na úvahách evoluční ochrany a není omezen na místa párování semen. (vstup bio.tools )[80]http://reptar.ekmd.huji.ac.il2011
RNApredatorRNApredator je webový server pro predikci bakteriálních cílů sRNA. Uživatel si může vybrat z velkého výběru genomů. Je zvažována přístupnost cíle k sRNA. (vstup bio.tools )[81]http://rna.tbi.univie.ac.at/RNApredator2011
S-PSorterNový přístup ke konstrukci klasifikátoru založený na buněčné struktuře pro předpovídání subcelulárního umístění proteinu na základě obrazu pomocí předchozí biologické strukturní informace. (vstup bio.tools )[82]https://github.com/shaoweinuaa/S-PSorter2016
SChloroPredikce lokalizace proteinového subchlorplastinu. (vstup bio.tools )[83]http://schloro.biocomp.unibo.it2017
SCLAPAdaptivní metoda posilování pro predikci lokalizace rostlinných proteinů subchloroplasty.[84]2013
SCLPredPredikce subcelulární lokalizace proteinu SCLpred pomocí neuronových sítí N-to-1.[85]2011
SCLpred-EMSSubcelulární predikce lokalizace endomembránového systému a proteinů sekreční dráhy pomocí Deep N-to-1 Convolutional Neural Networks[86]http://distilldeep.ucd.ie/SCLpred2/2020
SecretomePPředpovědi neklasické (tj. Nespuštěné signálním peptidem) sekrece proteinu (vstup bio.tools )[87][88]http://cbs.dtu.dk/services/SecretomeP/2005
SemiBiomarkerNový protokol s částečným dohledem, který může využívat neznačené údaje o rakovinovém proteinu při konstrukci modelu pomocí iterativní a přírůstkové tréninkové strategie. Výsledkem může být lepší přesnost a citlivost detekce rozdílu mezi buňkami. (vstup bio.tools )[89]http://www.csbio.sjtu.edu.cn/bioinf/SemiBiomarker/2015
SherLocPrediktor založený na SVM kombinující MultiLoc s textovými funkcemi odvozenými z abstraktů PubMed.[90]2007
SUBA3Subcelulární lokalizační databáze pro proteiny Arabidopsis s online vyhledávacím rozhraním. (vstup bio.tools )[91][92]http://suba3.plantenergy.uwa.edu.au/2014
SubChloVýpočtový systém pro predikci umístění proteinových subchloroplastů z jeho primární sekvence. Může lokalizovat protein, jehož subcelulárním umístěním je chloroplast v jedné ze čtyř částí: obálka (která se skládá z vnější membrány a vnitřní membrány), lumen thylakoidu, stroma a thylakoidní membrána. (vstup bio.tools )[93]http://bioinfo.au.tsinghua.edu.cn/software/subchlo/2009
SuperPredWebový server SuperPred porovnává strukturní otisk vstupní molekuly s databází léčiv spojených s jejich cíli léčiv a ovlivněnými cestami. Vzhledem k tomu, že biologický účinek je dobře předvídatelný, je-li strukturální podobnost dostatečná, umožňuje webový server prognózy týkající se oblasti lékařské indikace nových sloučenin a hledání nových možností pro známé cíle. Tyto informace mohou být užitečné při klasifikaci léků a predikci cílů. (vstup bio.tools )[94]http://bioinformatics.charite.de/superpred2008
SupercílWebový zdroj pro analýzu interakcí lék-cíl. Integruje informace související s drogami spojené s lékařskými indikacemi, nepříznivými účinky léků, metabolismem léků, cestami a pojmy genové ontologie (GO) pro cílové proteiny. (vstup bio.tools )[95]http://bioinformatics.charite.de/supertarget/2012
SwissTargetPredictionSwissTargetPrediction je webový server pro predikci cílů bioaktivních malých molekul. Tato webová stránka umožňuje předpovídat cíle malé molekuly. Pomocí kombinace opatření 2D a 3D podobnosti porovnává dotazovanou molekulu s knihovnou 280 000 sloučenin aktivních na více než 2 000 cílech 5 různých organismů. (vstup bio.tools )[96][97]http://www.swisstargetprediction.ch2014
T3DBDatabáze toxinů a toxinových cílů (T3DB) je jedinečný zdroj bioinformatiky, který shromažďuje komplexní informace o běžných nebo všudypřítomných toxinech a jejich toxinových cílech. Každý záznam T3DB (ToxCard) obsahuje více než 80 datových polí poskytujících podrobné informace o chemických vlastnostech a deskriptorech, hodnotách toxicity, proteinových a genových sekvencích (pro cíle i toxiny), údaje o molekulárních a buněčných interakcích, toxikologické údaje, mechanické informace a odkazy. Tyto informace byly ručně extrahovány a ručně ověřeny z mnoha zdrojů, včetně dalších elektronických databází, vládních dokumentů, učebnic a vědeckých časopisů. Klíčovým zaměřením T3DB je poskytování hloubky ?? přes ?? šíři ?? s podrobnými popisy, mechanismy působení a informacemi o toxinech a toxinových cílech. Mezi potenciální aplikace T3DB patří klinická metabolomika, predikce toxinových cílů, predikce toxicity a toxikologické vzdělávání. (vstup bio.tools )[98]http://www.t3db.org2010
TALENTAktivátor transkripčního efektu (TAL) Effector-Nucleotide Targeter 2.0 (TALE-NT) je sada webových nástrojů, které umožňují vlastní návrh opakovacích polí efektoru TAL pro požadované cíle a predikci vazebných míst efektoru TAL. (vstup bio.tools )[99]https://boglab.plp.iastate.edu/2012
TarFisDockTarget Fishing Dock (TarFisDock) je webový server, který dokuje malé molekuly s proteinovými strukturami v databázi Potential Drug Target Database (PDTD) ve snaze objevit nové cíle drog. (vstup bio.tools )[100]http://www.dddc.ac.cn/tarfisdock/2006
TargetRNATargetRNA je webový nástroj pro identifikaci mRNA cílů malých nekódujících RNA u bakteriálních druhů. (vstup bio.tools )[101]http://cs.wellesley.edu/~btjaden/TargetRNA2/2008
TargetPPredikce N-terminálu třídicí signály.[102]2000
Cíle TDRDatabáze výzkumu tropických nemocí (TDR): Navržena a vyvinuta pro usnadnění rychlé identifikace a stanovení priorit molekulárních cílů pro vývoj léčiv se zaměřením na patogeny odpovědné za zanedbávané lidské nemoci. Databáze integruje genomové informace specifické pro patogen s funkčními daty pro geny shromážděné z různých zdrojů, včetně kurátorství literatury. Informace lze procházet a vyhledávat. (vstup bio.tools )[103]http://tdrtargets.org/2012
TetraMitoSekvenčně založený prediktor pro identifikaci umístění proteinů v submochondrii. (vstup bio.tools )[104]http://lin.uestc.edu.cn/server/TetraMito2013
TMBETA-NETNástroj, který předpovídá transmembránové beta řetězce v proteinu vnější membrány z jeho aminokyselinové sekvence. (vstup bio.tools )[105][106]http://psfs.cbrc.jp/tmbeta-net/2005
TMHMMPredikce transmembránových šroubovic k identifikaci transmembránové proteiny.[107]2001
TMPredProgram TMpred předpovídá oblasti překlenující membránu a jejich orientaci. Algoritmus je založen na statistické analýze TMbase, databáze přirozeně se vyskytujících transmembránových proteinů (vstup bio.tools )[108]http://embnet.vital-it.ch/software/TMPRED_form.html1993
TPpred 1.0Predikce peptidů zaměřených na organely (vstup bio.tools )[109]http://tppred.biocomp.unibo.it/tppred/default/index2013
TPpred 2.0Predikce mitochondriálního cílení na peptid (vstup bio.tools )[110][109]https://tppred3.biocomp.unibo.it2015
TPpred 3.0Detekce peptidů zaměřených na organely a predikce štěpného místa (vstup bio.tools )[111]http://tppred3.biocomp.unibo.it/tppred32015
TTDByla vyvinuta databáze terapeutických cílů (TTD), která poskytuje informace o terapeutických cílech a odpovídajících lécích. TTD zahrnuje informace o úspěšných cílech klinického hodnocení a výzkumu, schválených, klinických hodnoceních a experimentálních lécích souvisejících s jejich primárními cíli, nové způsoby přístupu k datům podle způsobu působení léku, rekurzivní hledání souvisejících cílů nebo léků, podobnost cíle a hledání léků, přizpůsobené a úplné stahování dat a standardizované ID cíle. (vstup bio.tools )[112]http://bidd.nus.edu.sg/group/cjttd/2010
UM-PPSUniversity of Minnesota Pathway Prediction System (UM-PPS) je webový nástroj, který rozpoznává funkční skupiny v organických sloučeninách, které jsou potenciálními cíli mikrobiálních katabolických reakcí, a předpovídá transformace těchto skupin na základě pravidel biotransformace. Jsou vytvářeny víceúrovňové předpovědi. (vstup bio.tools )[113]http://eawag-bbd.ethz.ch/predict/aboutPPS.html2008
WoLF PSORTWoLF PSORT je rozšířením programu PSORT II pro predikci subcelulární lokalizace proteinů. (vstup bio.tools )[114]https://wolfpsort.hgc.jp/2007
YLocYLoc je webový server pro predikci subcelulární lokalizace. Jsou vysvětleny předpovědi a zvýrazněny biologické vlastnosti použité pro předpověď. Kromě toho odhady spolehlivosti hodnotí spolehlivost jednotlivých předpovědí. (vstup bio.tools )[115]http://www.multiloc.org/YLoc2010
Nástroje se zinkovým prstemZinc Finger Tools poskytuje několik nástrojů pro výběr cílových míst proteinů se zinkovým prstem a pro navrhování proteinů, které na ně budou cílit. (vstup bio.tools )[116][117][118][119][120][121]http://www.scripps.edu/mb/barbas/zfdesign/zfdesignhome.php2006

Reference

  1. ^ Tantoso E, Li KB (srpen 2008). „AAIndexLoc: předpovídání subcelulární lokalizace proteinů na základě nové reprezentace sekvencí pomocí indexů aminokyselin“. Aminokyseliny. 35 (2): 345–53. doi:10.1007 / s00726-007-0616-r. PMID  18163182. S2CID  712299.
  2. ^ Saravanan V, Lakshmi PT (prosinec 2013). „APSLAP: technika adaptivního posilování pro předpovídání subcelulární lokalizace proteinu apoptózy“. Acta Biotheoretica. 61 (4): 481–97. doi:10.1007 / s10441-013-9197-1. PMID  23982307. S2CID  23858443.
  3. ^ Kaundal R, Saini R, Zhao PX (září 2010). „Kombinace strojového učení a přístupů založených na homologii k přesné předpovědi subcelulární lokalizace v Arabidopsis“. Fyziologie rostlin. 154 (1): 36–54. doi:10.1104 / pp.110.156851. PMC  2938157. PMID  20647376.
  4. ^ Pierleoni A, Martelli PL, Fariselli P, Casadio R (červenec 2006). „BaCelLo: vyvážený prediktor lokalizace subcelulární lokalizace“. Bioinformatika. 22 (14): e408–16. doi:10.1093 / bioinformatika / btl222. PMID  16873501.
  5. ^ A b Piovesan D, Martelli PL, Fariselli P, Zauli A, Rossi I, Casadio R (červenec 2011). „BAR-PLUS: Boloňský anotační zdroj Plus pro funkční a strukturní anotaci proteinových sekvencí“. Výzkum nukleových kyselin. 39 (Problém s webovým serverem): W197–202. doi:10.1093 / nar / gkr292. PMC  3125743. PMID  21622657.
  6. ^ Profiti G, Martelli PL, Casadio R (červenec 2017). „Boloňský anotační zdroj (BAR 3.0): zlepšení funkční anotace proteinu“. Výzkum nukleových kyselin. 45 (W1): W285 – W290. doi:10.1093 / nar / gkx330. PMC  5570247. PMID  28453653.
  7. ^ Van Domselaar GH, Stothard P, Shrivastava S, Cruz JA, Guo A, Dong X, Lu P, Szafron D, Greiner R, Wishart DS (červenec 2005). „BASys: webový server pro automatickou anotaci bakteriálního genomu“. Výzkum nukleových kyselin. 33 (Problém s webovým serverem): W455–9. doi:10.1093 / nar / gki593. PMC  1160269. PMID  15980511.
  8. ^ Berven FS, Flikka K, Jensen HB, Eidhammer I (červenec 2004). „BOMP: program pro predikci integrálních proteinů vnější membrány beta-barelu kódovaných v genomech gramnegativních bakterií“. Výzkum nukleových kyselin. 32 (Problém s webovým serverem): W394–9. doi:10.1093 / nar / gkh351. PMC  441489. PMID  15215418.
  9. ^ Taylor PD, Attwood TK, Flower DR (červenec 2003). „BPROMPT: Konsenzuální server pro predikci membránových proteinů“. Výzkum nukleových kyselin. 31 (13): 3698–700. doi:10.1093 / nar / gkg554. PMC  168961. PMID  12824397.
  10. ^ Chou KC, Shen HB (01.01.2008). „Cell-PLoc: balíček webových serverů pro predikci subcelulární lokalizace proteinů v různých organismech“. Přírodní protokoly. 3 (2): 153–62. doi:10.1038 / nprot.2007.494. PMID  18274516. S2CID  226104.
  11. ^ Yu CS, Lin CJ, Hwang JK (květen 2004). „Predikce subcelulární lokalizace proteinů pro gramnegativní bakterie podporou vektorových strojů založených na n-peptidových kompozicích“. Věda o bílkovinách. 13 (5): 1402–6. doi:10.1110 / ps.03479604. PMC  2286765. PMID  15096640.
  12. ^ Yu CS, Chen YC, Lu CH, Hwang JK (srpen 2006). Msgstr "Předpověď lokalizace subcelulárních proteinů". Proteiny. 64 (3): 643–51. doi:10,1002 / prot. 21018. PMID  16752418.
  13. ^ Paramasivam N, Linke D (2011). „ClubSub-P: Predikce subcelulární lokalizace na základě klastrů pro gramnegativní bakterie a archaea“. Hranice v mikrobiologii. 2: 218. doi:10.3389 / fmicb.2011.00218. PMC  3210502. PMID  22073040.
  14. ^ Goudenège D, Avner S, Lucchetti-Miganeh C, Barloy-Hubler F (březen 2010). „CoBaltDB: Kompletní databáze subcelulárních lokalizací bakterií a archaeal orfeomes a přidružené zdroje“. Mikrobiologie BMC. 10: 88. doi:10.1186/1471-2180-10-88. PMC  2850352. PMID  20331850.
  15. ^ Coronnello C, Benos PV (červenec 2013). „ComiR: Kombinatorický nástroj pro predikci cílů mikroRNA“. Výzkum nukleových kyselin. 41 (Problém s webovým serverem): W159–64. doi:10.1093 / nar / gkt379. PMC  3692082. PMID  23703208.
  16. ^ Hooper CM, Castleden IR, Aryamanesh N, Jacoby RP, Millar AH (leden 2016). „Hledání subcelulárního umístění proteinů ječmene, pšenice, rýže a kukuřice: Kompendium rostlinných proteinů s anotovanými místy (cropPAL)“. Fyziologie rostlin a buněk. 57 (1): e9. doi:10.1093 / pcp / pcv170. PMID  26556651.
  17. ^ Cserzö, Miklos; Eisenhaber, Frank; Eisenhaber, Birgit; Simon, Istvan (Sep 2002). "On filtering false positive transmembrane protein predictions". Proteinové inženýrství, design a výběr. 15 (9): 745–752. doi:10.1093/protein/15.9.745. ISSN  1741-0134. PMID  12456873.
  18. ^ Almagro Armenteros JJ, Sønderby CK, Sønderby SK, Nielsen H, Winther O (November 2017). "DeepLoc: prediction of protein subcellular localization using deep learning". Bioinformatika. 33 (21): 3387–3395. doi:10.1093/bioinformatics/btx431. PMID  29036616.
  19. ^ Maragkakis M, Reczko M, Simossis VA, Alexiou P, Papadopoulos GL, Dalamagas T, Giannopoulos G, Goumas G, Koukis E, Kourtis K, Vergoulis T, Koziris N, Sellis T, Tsanakas P, Hatzigeorgiou AG (July 2009). "DIANA-microT web server: elucidating microRNA functions through target prediction". Výzkum nukleových kyselin. 37 (Web Server issue): W273–6. doi:10.1093/nar/gkp292. PMC  2703977. PMID  19406924.
  20. ^ Paraskevopoulou MD, Georgakilas G, Kostoulas N, Vlachos IS, Vergoulis T, Reczko M, Filippidis C, Dalamagas T, Hatzigeorgiou AG (July 2013). "DIANA-microT web server v5.0: service integration into miRNA functional analysis workflows". Výzkum nukleových kyselin. 41 (Web Server issue): W169–73. doi:10.1093/nar/gkt393. PMC  3692048. PMID  23680784.
  21. ^ Wishart DS, Knox C, Guo AC, Shrivastava S, Hassanali M, Stothard P, Chang Z, Woolsey J (January 2006). "DrugBank: a comprehensive resource for in silico drug discovery and exploration". Výzkum nukleových kyselin. 34 (Database issue): D668–72. doi:10.1093/nar/gkj067. PMC  1347430. PMID  16381955.
  22. ^ Horler RS, Butcher A, Papangelopoulos N, Ashton PD, Thomas GH (January 2009). "EchoLOCATION: an in silico analysis of the subcellular locations of Escherichia coli proteins and comparison with experimentally derived locations". Bioinformatika. 25 (2): 163–6. doi:10.1093/bioinformatics/btn596. PMID  19015139.
  23. ^ Fucile G, Di Biase D, Nahal H, La G, Khodabandeh S, Chen Y, Easley K, Christendat D, Kelley L, Provart NJ (January 2011). "ePlant and the 3D data display initiative: integrative systems biology on the world wide web". PLOS ONE. 6 (1): e15237. Bibcode:2011PLoSO...615237F. doi:10.1371/journal.pone.0015237. PMC  3018417. PMID  21249219.
  24. ^ Bhasin M, Raghava GP (July 2004). "ESLpred: SVM-based method for subcellular localization of eukaryotic proteins using dipeptide composition and PSI-BLAST". Výzkum nukleových kyselin. 32 (Web Server issue): W414–9. doi:10.1093/nar/gkh350. PMC  441488. PMID  15215421.
  25. ^ Chou KC, Shen HB (April 2010). "A new method for predicting the subcellular localization of eukaryotic proteins with both single and multiple sites: Euk-mPLoc 2.0". PLOS ONE. 5 (4): e9931. Bibcode:2010PLoSO...5.9931C. doi:10.1371/journal.pone.0009931. PMC  2848569. PMID  20368981.
  26. ^ Ye H, Ye L, Kang H, Zhang D, Tao L, Tang K, Liu X, Zhu R, Liu Q, Chen YZ, Li Y, Cao Z (January 2011). "HIT: linking herbal active ingredients to targets". Výzkum nukleových kyselin. 39 (Database issue): D1055–9. doi:10.1093/nar/gkq1165. PMC  3013727. PMID  21097881.
  27. ^ Tusnády, Gábor E.; Simon, István (Oct 1998). "Principles governing amino acid composition of integral membrane proteins: application to topology prediction 1 1Edited by J. Thornton". Journal of Molecular Biology. 283 (2): 489–506. doi:10.1006/jmbi.1998.2107. ISSN  0022-2836. PMID  9769220.
  28. ^ Tusnady, G. E.; Simon, I. (2001-09-01). "The HMMTOP transmembrane topology prediction server". Bioinformatika. 17 (9): 849–850. doi:10.1093/bioinformatics/17.9.849. ISSN  1367-4803. PMID  11590105.
  29. ^ Garg A, Bhasin M, Raghava GP (April 2005). "Support vector machine-based method for subcellular localization of human proteins using amino acid compositions, their order, and similarity search". The Journal of Biological Chemistry. 280 (15): 14427–32. doi:10.1074/jbc.M411789200. PMID  15647269.
  30. ^ Wang JC, Chu PY, Chen CM, Lin JH (July 2012). "idTarget: a web server for identifying protein targets of small chemical molecules with robust scoring functions and a divide-and-conquer docking approach". Výzkum nukleových kyselin. 40 (Web Server issue): W393–9. doi:10.1093/nar/gks496. PMC  3394295. PMID  22649057.
  31. ^ Chou KC, Wu ZC, Xiao X (February 2012). "iLoc-Hum: using the accumulation-label scale to predict subcellular locations of human proteins with both single and multiple sites". Molekulární biosystémy. 8 (2): 629–41. doi:10.1039/c1mb05420a. PMID  22134333.
  32. ^ Lin HN, Chen CT, Sung TY, Ho SY, Hsu WL (December 2009). "Protein subcellular localization prediction of eukaryotes using a knowledge-based approach". BMC bioinformatika. 10 Suppl 15: S8. doi:10.1186/1471-2105-10-S15-S8. PMC  2788359. PMID  19958518.
  33. ^ Amaral PP, Clark MB, Gascoigne DK, Dinger ME, Mattick JS (January 2011). "lncRNAdb: a reference database for long noncoding RNAs". Výzkum nukleových kyselin. 39 (Database issue): D146–51. doi:10.1093/nar/gkq1138. PMC  3013714. PMID  21112873.
  34. ^ Nair R, Rost B (July 2003). "LOC3D: annotate sub-cellular localization for protein structures". Výzkum nukleových kyselin. 31 (13): 3337–40. doi:10.1093/nar/gkg514. PMC  168921. PMID  12824321.
  35. ^ A b Nair R, Rost B (April 2005). "Mimicking cellular sorting improves prediction of subcellular localization". Journal of Molecular Biology. 348 (1): 85–100. doi:10.1016/j.jmb.2005.02.025. PMID  15808855.
  36. ^ Nair R, Rost B (December 2003). "Better prediction of sub-cellular localization by combining evolutionary and structural information". Proteiny. 53 (4): 917–30. CiteSeerX  10.1.1.217.389. doi:10.1002/prot.10507. PMID  14635133.
  37. ^ Fink JL, Aturaliya RN, Davis MJ, Zhang F, Hanson K, Teasdale MS, Kai C, Kawai J, Carninci P, Hayashizaki Y, Teasdale RD (January 2006). "LOCATE: a mouse protein subcellular localization database". Výzkum nukleových kyselin. 34 (Database issue): D213–7. doi:10.1093/nar/gkj069. PMC  1347432. PMID  16381849.
  38. ^ Rastogi S, Rost B (January 2011). "LocDB: experimental annotations of localization for Homo sapiens and Arabidopsis thaliana". Výzkum nukleových kyselin. 39 (Problém s databází): D230–4. doi:10.1093/nar/gkq927. PMC  3013784. PMID  21071420.
  39. ^ Nair R, Rost B (July 2004). "LOCnet and LOCtarget: sub-cellular localization for structural genomics targets". Výzkum nukleových kyselin. 32 (Web Server issue): W517–21. doi:10.1093/nar/gkh441. PMC  441579. PMID  15215440.
  40. ^ A b Goldberg T, Hamp T, Rost B (September 2012). "LocTree2 predicts localization for all domains of life". Bioinformatika. 28 (18): i458–i465. doi:10.1093/bioinformatics/bts390. PMC  3436817. PMID  22962467.
  41. ^ Goldberg T, Hecht M, Hamp T, Karl T, Yachdav G, Ahmed N, Altermann U, Angerer P, Ansorge S, Balasz K, Bernhofer M, Betz A, Cizmadija L, Do KT, Gerke J, Greil R, Joerdens V, Hastreiter M, Hembach K, Herzog M, Kalemanov M, Kluge M, Meier A, Nasir H, Neumaier U, Prade V, Reeb J, Sorokoumov A, Troshani I, Vorberg S, Waldraff S, Zierer J, Nielsen H, Rost B (July 2014). "LocTree3 prediction of localization". Výzkum nukleových kyselin. 42 (Web Server issue): W350–5. doi:10.1093/nar/gku396. PMC  4086075. PMID  24848019.
  42. ^ Panwar B, Raghava GP (May 2012). "Predicting sub-cellular localization of tRNA synthetases from their primary structures". Aminokyseliny. 42 (5): 1703–13. doi:10.1007/s00726-011-0872-8. PMID  21400228. S2CID  2996097.
  43. ^ Simha R, Briesemeister S, Kohlbacher O, Shatkay H (June 2015). "Protein (multi-)location prediction: utilizing interdependencies via a generative model". Bioinformatika. 31 (12): i365–74. doi:10.1093/bioinformatics/btv264. PMC  4765880. PMID  26072505.
  44. ^ Pierleoni A, Martelli PL, Casadio R (May 2011). "MemLoci: predicting subcellular localization of membrane proteins in eukaryotes". Bioinformatika. 27 (9): 1224–30. doi:10.1093/bioinformatics/btr108. PMID  21367869.
  45. ^ Pierleoni A, Indio V, Savojardo C, Fariselli P, Martelli PL, Casadio R (July 2011). "MemPype: a pipeline for the annotation of eukaryotic membrane proteins". Výzkum nukleových kyselin. 39 (Web Server issue): W375–80. doi:10.1093/nar/gkr282. PMC  3125734. PMID  21543452.
  46. ^ Magnus M, Pawlowski M, Bujnicki JM (December 2012). "MetaLocGramN: A meta-predictor of protein subcellular localization for Gram-negative bacteria". Biochimica et Biophysica Acta (BBA) - bílkoviny a proteomika. 1824 (12): 1425–33. doi:10.1016/j.bbapap.2012.05.018. PMID  22705560.
  47. ^ Hausser J, Berninger P, Rodak C, Jantscher Y, Wirth S, Zavolan M (July 2009). "MirZ: an integrated microRNA expression atlas and target prediction resource". Výzkum nukleových kyselin. 37 (Web Server issue): W266–72. doi:10.1093/nar/gkp412. PMC  2703880. PMID  19468042.
  48. ^ Kumar M, Verma R, Raghava GP (March 2006). "Prediction of mitochondrial proteins using support vector machine and hidden Markov model". The Journal of Biological Chemistry. 281 (9): 5357–63. doi:10.1074/jbc.M511061200. PMID  16339140.
  49. ^ Höglund A, Dönnes P, Blum T, Adolph HW, Kohlbacher O (May 2006). "MultiLoc: prediction of protein subcellular localization using N-terminal targeting sequences, sequence motifs and amino acid composition". Bioinformatika. 22 (10): 1158–65. doi:10.1093/bioinformatics/btl002. PMID  16428265.
  50. ^ Zhu PP, Li WC, Zhong ZJ, Deng EZ, Ding H, Chen W, Lin H (February 2015). "Predicting the subcellular localization of mycobacterial proteins by incorporating the optimal tripeptides into the general form of pseudo amino acid composition". Molekulární biosystémy. 11 (2): 558–63. doi:10.1039/c4mb00645c. PMID  25437899. S2CID  8130819.
  51. ^ la Cour T, Kiemer L, Mølgaard A, Gupta R, Skriver K, Brunak S (June 2004). "Analysis and prediction of leucine-rich nuclear export signals". Protein Engineering, Design & Selection. 17 (6): 527–36. doi:10.1093/protein/gzh062. PMID  15314210.
  52. ^ King, Brian R; Guda, Chittibabu (2007). "ngLOC: an n-gram-based Bayesian method for estimating the subcellular proteomes of eukaryotes". Genome Biology. 8 (5): R68. doi:10.1186/gb-2007-8-5-r68. ISSN  1465-6906. PMC  1929137. PMID  17472741.
  53. ^ Woodcroft BJ, Hammond L, Stow JL, Hamilton NA (November 2009). "Automated organelle-based colocalization in whole-cell imaging". Cytometry. Část A. 75 (11): 941–50. doi:10.1002/cyto.a.20786. PMID  19746416. S2CID  25068671.
  54. ^ Lu Z, Szafron D, Greiner R, Lu P, Wishart DS, Poulin B, Anvik J, Macdonell C, Eisner R (March 2004). "Predicting subcellular localization of proteins using machine-learned classifiers". Bioinformatika. 20 (4): 547–56. CiteSeerX  10.1.1.216.1493. doi:10.1093/bioinformatics/btg447. PMID  14990451.
  55. ^ A b Szafron D, Lu P, Greiner R, Wishart DS, Poulin B, Eisner R, Lu Z, Anvik J, Macdonell C, Fyshe A, Meeuwis D (July 2004). "Proteome Analyst: custom predictions with explanations in a web-based tool for high-throughput proteome annotations". Výzkum nukleových kyselin. 32 (Web Server issue): W365–71. doi:10.1093/nar/gkh485. PMC  441623. PMID  15215412.
  56. ^ Liu X, Ouyang S, Yu B, Liu Y, Huang K, Gong J, Zheng S, Li Z, Li H, Jiang H (July 2010). "PharmMapper server: a web server for potential drug target identification using pharmacophore mapping approach". Výzkum nukleových kyselin. 38 (Web Server issue): W609–14. doi:10.1093/nar/gkq300. PMC  2896160. PMID  20430828.
  57. ^ Tang S, Li T, Cong P, Xiong W, Wang Z, Sun J (July 2013). "PlantLoc: an accurate web server for predicting plant protein subcellular localization by substantiality motif". Výzkum nukleových kyselin. 41 (Web Server issue): W441–7. doi:10.1093/nar/gkt428. PMC  3692052. PMID  23729470.
  58. ^ Bagos PG, Liakopoulos TD, Spyropoulos IC, Hamodrakas SJ (July 2004). "PRED-TMBB: a web server for predicting the topology of beta-barrel outer membrane proteins". Výzkum nukleových kyselin. 32 (Web Server issue): W400–4. doi:10.1093/nar/gkh417. PMC  441555. PMID  15215419.
  59. ^ Bagos PG, Liakopoulos TD, Spyropoulos IC, Hamodrakas SJ (March 2004). "A Hidden Markov Model method, capable of predicting and discriminating beta-barrel outer membrane proteins". BMC bioinformatika. 5: 29. doi:10.1186/1471-2105-5-29. PMC  385222. PMID  15070403.
  60. ^ Cokol M, Nair R, Rost B (November 2000). "Finding nuclear localization signals". Zprávy EMBO. 1 (5): 411–5. doi:10.1093/embo-reports/kvd092. PMC  1083765. PMID  11258480.
  61. ^ Yachdav G, Kloppmann E, Kajan L, Hecht M, Goldberg T, Hamp T, Hönigschmid P, Schafferhans A, Roos M, Bernhofer M, Richter L, Ashkenazy H, Punta M, Schlessinger A, Bromberg Y, Schneider R, Vriend G, Sander C, Ben-Tal N, Rost B (July 2014). "PredictProtein--an open resource for online prediction of protein structural and functional features". Výzkum nukleových kyselin. 42 (Web Server issue): W337–43. doi:10.1093/nar/gku366. PMC  4086098. PMID  24799431.
  62. ^ Kaján L, Yachdav G, Vicedo E, Steinegger M, Mirdita M, Angermüller C, Böhm A, Domke S, Ertl J, Mertes C, Reisinger E, Staniewski C, Rost B (2013). "Cloud prediction of protein structure and function with PredictProtein for Debian". BioMed Research International. 2013: 1–6. doi:10.1155/2013/398968. PMC  3732596. PMID  23971032.
  63. ^ Rost B, Liu J (July 2003). "The PredictProtein server". Výzkum nukleových kyselin. 31 (13): 3300–4. doi:10.1093/nar/gkg508. PMC  168915. PMID  12824312.
  64. ^ Rost B, Yachdav G, Liu J (July 2004). "The PredictProtein server". Výzkum nukleových kyselin. 32 (Web Server issue): W321–6. doi:10.1093/nar/gkh377. PMC  441515. PMID  15215403.
  65. ^ Mower JP (July 2009). "The PREP suite: predictive RNA editors for plant mitochondrial genes, chloroplast genes and user-defined alignments". Výzkum nukleových kyselin. 37 (Web Server issue): W253–9. doi:10.1093/nar/gkp337. PMC  2703948. PMID  19433507.
  66. ^ Mower JP (April 2005). "PREP-Mt: predictive RNA editor for plant mitochondrial genes". BMC bioinformatika. 6: 96. doi:10.1186/1471-2105-6-96. PMC  1087475. PMID  15826309.
  67. ^ Huang WL, Tung CW, Ho SW, Hwang SF, Ho SY (February 2008). "ProLoc-GO: utilizing informative Gene Ontology terms for sequence-based prediction of protein subcellular localization". BMC bioinformatika. 9: 80. doi:10.1186/1471-2105-9-80. PMC  2262056. PMID  18241343.
  68. ^ Huang WL, Tung CW, Huang HL, Hwang SF, Ho SY (2007). "ProLoc: prediction of protein subnuclear localization using SVM with automatic selection from physicochemical composition features". Bio Systems. 90 (2): 573–81. doi:10.1016/j.biosystems.2007.01.001. PMID  17291684.
  69. ^ Yang B, Sayers S, Xiang Z, He Y (January 2011). "Protegen: a web-based protective antigen database and analysis system". Výzkum nukleových kyselin. 39 (Database issue): D1073–8. doi:10.1093/nar/gkq944. PMC  3013795. PMID  20959289.
  70. ^ Drwal, Malgorzata N.; Banerjee, Priyanka; Dunkel, Mathias; Wettig, Martin R.; Preissner, Robert (2014-05-16). "ProTox: a web server for the in silico prediction of rodent oral toxicity". Výzkum nukleových kyselin. 42 (W1): W53–W58. doi:10.1093/nar/gku401. ISSN  1362-4962. PMC  4086068. PMID  24838562.
  71. ^ Banerjee, Priyanka; Eckert, Andreas O; Schrey, Anna K; Preissner, Robert (2018-04-30). "ProTox-II: a webserver for the prediction of toxicity of chemicals". Výzkum nukleových kyselin. 46 (W1): W257–W263. doi:10.1093/nar/gky318. ISSN  0305-1048. PMC  6031011. PMID  29718510.
  72. ^ Bhasin M, Garg A, Raghava GP (May 2005). "PSLpred: prediction of subcellular localization of bacterial proteins". Bioinformatika. 21 (10): 2522–4. doi:10.1093/bioinformatics/bti309. PMID  15699023.
  73. ^ Yu NY, Wagner JR, Laird MR, Melli G, Rey S, Lo R, Dao P, Sahinalp SC, Ester M, Foster LJ, Brinkman FS (July 2010). "PSORTb 3.0: improved protein subcellular localization prediction with refined localization subcategories and predictive capabilities for all prokaryotes". Bioinformatika. 26 (13): 1608–15. doi:10.1093/bioinformatics/btq249. PMC  2887053. PMID  20472543.
  74. ^ Yu NY, Laird MR, Spencer C, Brinkman FS (January 2011). "PSORTdb--an expanded, auto-updated, user-friendly protein subcellular localization database for Bacteria and Archaea". Výzkum nukleových kyselin. 39 (Database issue): D241–4. doi:10.1093/nar/gkq1093. PMC  3013690. PMID  21071402.
  75. ^ Rey S, Acab M, Gardy JL, Laird MR, deFays K, Lambert C, Brinkman FS (January 2005). "PSORTdb: a protein subcellular localization database for bacteria". Výzkum nukleových kyselin. 33 (Database issue): D164–8. doi:10.1093/nar/gki027. PMC  539981. PMID  15608169.
  76. ^ Wu HJ, Ma YK, Chen T, Wang M, Wang XJ (July 2012). "PsRobot: a web-based plant small RNA meta-analysis toolbox". Výzkum nukleových kyselin. 40 (Web Server issue): W22–8. doi:10.1093/nar/gks554. PMC  3394341. PMID  22693224.
  77. ^ Guda C, Subramaniam S (November 2005). "pTARGET [corrected] a new method for predicting protein subcellular localization in eukaryotes". Bioinformatika. 21 (21): 3963–9. doi:10.1093/bioinformatics/bti650. PMID  16144808.
  78. ^ Guda C (July 2006). "pTARGET: a web server for predicting protein subcellular localization". Výzkum nukleových kyselin. 34 (Web Server issue): W210–3. doi:10.1093/nar/gkl093. PMC  1538910. PMID  16844995.
  79. ^ Lee TY, Bo-Kai Hsu J, Chang WC, Huang HD (January 2011). "RegPhos: a system to explore the protein kinase-substrate phosphorylation network in humans". Výzkum nukleových kyselin. 39 (Database issue): D777–87. doi:10.1093/nar/gkq970. PMC  3013804. PMID  21037261.
  80. ^ Elefant N, Berger A, Shein H, Hofree M, Margalit H, Altuvia Y (January 2011). "RepTar: a database of predicted cellular targets of host and viral miRNAs". Výzkum nukleových kyselin. 39 (Database issue): D188–94. doi:10.1093/nar/gkq1233. PMC  3013742. PMID  21149264.
  81. ^ Eggenhofer F, Tafer H, Stadler PF, Hofacker IL (July 2011). "RNApredator: fast accessibility-based prediction of sRNA targets". Výzkum nukleových kyselin. 39 (Web Server issue): W149–54. doi:10.1093/nar/gkr467. PMC  3125805. PMID  21672960.
  82. ^ Shao W, Liu M, Zhang D (January 2016). "Human cell structure-driven model construction for predicting protein subcellular location from biological images". Bioinformatika. 32 (1): 114–21. doi:10.1093/bioinformatics/btv521. PMID  26363175.
  83. ^ Savojardo C, Martelli PL, Fariselli P, Casadio R (February 2017). "SChloro: directing Viridiplantae proteins to six chloroplastic sub-compartments". Bioinformatika. 33 (3): 347–353. doi:10.1093/bioinformatics/btw656. PMC  5408801. PMID  28172591.
  84. ^ Saravanan V, Lakshmi PT (February 2013). "SCLAP: an adaptive boosting method for predicting subchloroplast localization of plant proteins". OMICS. 17 (2): 106–15. doi:10.1089/omi.2012.0070. PMID  23289782.
  85. ^ Mooney C, Wang YH, Pollastri G (October 2011). "SCLpred: protein subcellular localization prediction by N-to-1 neural networks". Bioinformatika. 27 (20): 2812–9. doi:10.1093/bioinformatics/btr494. PMID  21873639.
  86. ^ Kaleel, M; Zheng, Y; Chen, J; Feng, X; Simpson, JC; Pollastri, G; Mooney, C (6 March 2020). "SCLpred-EMS: subcellular localization prediction of endomembrane system and secretory pathway proteins by Deep N-to-1 Convolutional Neural Networks". Bioinformatika (Oxford, Anglie). 36 (11): 3343–3349. doi:10.1093/bioinformatics/btaa156. PMID  32142105.
  87. ^ Bendtsen JD, Jensen LJ, Blom N, Von Heijne G, Brunak S (April 2004). "Feature-based prediction of non-classical and leaderless protein secretion". Protein Engineering, Design & Selection. 17 (4): 349–56. doi:10.1093/protein/gzh037. PMID  15115854.
  88. ^ Bendtsen JD, Kiemer L, Fausbøll A, Brunak S (October 2005). "Non-classical protein secretion in bacteria". Mikrobiologie BMC. 5: 58. doi:10.1186/1471-2180-5-58. PMC  1266369. PMID  16212653.
  89. ^ Xu YY, Yang F, Zhang Y, Shen HB (April 2015). "Bioimaging-based detection of mislocalized proteins in human cancers by semi-supervised learning". Bioinformatika. 31 (7): 1111–9. doi:10.1093/bioinformatics/btu772. PMC  4382902. PMID  25414362.
  90. ^ Shatkay H, Höglund A, Brady S, Blum T, Dönnes P, Kohlbacher O (June 2007). "SherLoc: high-accuracy prediction of protein subcellular localization by integrating text and protein sequence data". Bioinformatika. 23 (11): 1410–7. doi:10.1093/bioinformatics/btm115. PMID  17392328.
  91. ^ Tanz SK, Castleden I, Hooper CM, Vacher M, Small I, Millar HA (January 2013). "SUBA3: a database for integrating experimentation and prediction to define the SUBcellular location of proteins in Arabidopsis". Výzkum nukleových kyselin. 41 (Database issue): D1185–91. doi:10.1093/nar/gks1151. PMC  3531127. PMID  23180787.
  92. ^ Hooper CM, Tanz SK, Castleden IR, Vacher MA, Small ID, Millar AH (December 2014). "SUBAcon: a consensus algorithm for unifying the subcellular localization data of the Arabidopsis proteome". Bioinformatika. 30 (23): 3356–64. doi:10.1093/bioinformatics/btu550. PMID  25150248.
  93. ^ Du P, Cao S, Li Y (November 2009). "SubChlo: predicting protein subchloroplast locations with pseudo-amino acid composition and the evidence-theoretic K-nearest neighbor (ET-KNN) algorithm". Journal of Theoretical Biology. 261 (2): 330–5. doi:10.1016/j.jtbi.2009.08.004. PMID  19679138.
  94. ^ Dunkel M, Günther S, Ahmed J, Wittig B, Preissner R (July 2008). "SuperPred: drug classification and target prediction". Výzkum nukleových kyselin. 36 (Web Server issue): W55–9. doi:10.1093/nar/gkn307. PMC  2447784. PMID  18499712.
  95. ^ Hecker N, Ahmed J, von Eichborn J, Dunkel M, Macha K, Eckert A, Gilson MK, Bourne PE, Preissner R (January 2012). "SuperTarget goes quantitative: update on drug-target interactions". Výzkum nukleových kyselin. 40 (Database issue): D1113–7. doi:10.1093/nar/gkr912. PMC  3245174. PMID  22067455.
  96. ^ Gfeller, David; Michielin, Olivier; Zoete, Vincent (2013-09-17). "Shaping the interaction landscape of bioactive molecules". Bioinformatika. 29 (23): 3073–3079. doi:10.1093/bioinformatics/btt540. ISSN  1460-2059. PMID  24048355.
  97. ^ Gfeller, David; Grosdidier, Aurélien; Wirth, Matthias; Daina, Antoine; Michielin, Olivier; Zoete, Vincent (2014-05-03). "SwissTargetPrediction: a web server for target prediction of bioactive small molecules". Výzkum nukleových kyselin. 42 (W1): W32–W38. doi:10.1093/nar/gku293. ISSN  1362-4962. PMC  4086140. PMID  24792161.
  98. ^ Lim E, Pon A, Djoumbou Y, Knox C, Shrivastava S, Guo AC, Neveu V, Wishart DS (January 2010). „T3DB: komplexně anotovaná databáze běžných toxinů a jejich cílů“. Výzkum nukleových kyselin. 38 (Problém s databází): D781–6. doi:10.1093 / nar / gkp934. PMC  2808899. PMID  19897546.
  99. ^ Doyle EL, Booher NJ, Standage DS, Voytas DF, Brendel VP, Vandyk JK, Bogdanove AJ (July 2012). "TAL Effector-Nucleotide Targeter (TALE-NT) 2.0: tools for TAL effector design and target prediction". Výzkum nukleových kyselin. 40 (Web Server issue): W117–22. doi:10.1093/nar/gks608. PMC  3394250. PMID  22693217.
  100. ^ Li H, Gao Z, Kang L, Zhang H, Yang K, Yu K, Luo X, Zhu W, Chen K, Shen J, Wang X, Jiang H (July 2006). "TarFisDock: a web server for identifying drug targets with docking approach". Výzkum nukleových kyselin. 34 (Web Server issue): W219–24. doi:10.1093/nar/gkl114. PMC  1538869. PMID  16844997.
  101. ^ Tjaden B (July 2008). "TargetRNA: a tool for predicting targets of small RNA action in bacteria". Výzkum nukleových kyselin. 36 (Web Server issue): W109–13. doi:10.1093/nar/gkn264. PMC  2447797. PMID  18477632.
  102. ^ Emanuelsson O, Nielsen H, Brunak S, Von Heijne G (Červenec 2000). "Predicting subcellular localization of proteins based on their N-terminal amino acid sequence". Journal of Molecular Biology. 300 (4): 1005–16. doi:10.1006/jmbi.2000.3903. PMID  10891285.
  103. ^ Magariños MP, Carmona SJ, Crowther GJ, Ralph SA, Roos DS, Shanmugam D, Van Voorhis WC, Agüero F (January 2012). "TDR Targets: a chemogenomics resource for neglected diseases". Výzkum nukleových kyselin. 40 (Database issue): D1118–27. doi:10.1093/nar/gkr1053. PMC  3245062. PMID  22116064.
  104. ^ Lin H, Chen W, Yuan LF, Li ZQ, Ding H (June 2013). "Using over-represented tetrapeptides to predict protein submitochondria locations". Acta Biotheoretica. 61 (2): 259–68. doi:10.1007/s10441-013-9181-9. PMID  23475502. S2CID  30809970.
  105. ^ Gromiha MM, Ahmad S, Suwa M (April 2004). "Neural network-based prediction of transmembrane beta-strand segments in outer membrane proteins". Journal of Computational Chemistry. 25 (5): 762–7. doi:10.1002/jcc.10386. PMID  14978719.
  106. ^ Gromiha MM, Ahmad S, Suwa M (July 2005). "TMBETA-NET: discrimination and prediction of membrane spanning beta-strands in outer membrane proteins". Výzkum nukleových kyselin. 33 (Web Server issue): W164–7. doi:10.1093/nar/gki367. PMC  1160128. PMID  15980447.
  107. ^ Krogh, Anders; Larsson, Björn; von Heijne, Gunnar; Sonnhammer, Erik L.L (Jan 2001). "Predicting transmembrane protein topology with a hidden markov model: application to complete genomes". Journal of Molecular Biology. 305 (3): 567–580. doi:10.1006/jmbi.2000.4315. ISSN  0022-2836. PMID  11152613.
  108. ^ Hofmann, K; Stoffel, W (1993). "TMbase—A database of membrane spanning proteins segments" (PDF). Biol Chem Hoppe-Seyler. 374: 166.
  109. ^ A b Indio V, Martelli PL, Savojardo C, Fariselli P, Casadio R (April 2013). "The prediction of organelle-targeting peptides in eukaryotic proteins with Grammatical-Restrained Hidden Conditional Random Fields". Bioinformatika. 29 (8): 981–8. doi:10.1093/bioinformatics/btt089. PMID  23428638.
  110. ^ Savojardo C, Martelli PL, Fariselli P, Casadio R (October 2015). "TPpred3 detects and discriminates mitochondrial and chloroplastic targeting peptides in eukaryotic proteins". Bioinformatika. 31 (20): 3269–75. doi:10.1093/bioinformatics/btv367. PMID  26079349.
  111. ^ Savojardo C, Martelli PL, Fariselli P, Casadio R (October 2015). "TPpred3 detects and discriminates mitochondrial and chloroplastic targeting peptides in eukaryotic proteins". Bioinformatika. 31 (20): 3269–75. doi:10.1093/bioinformatics/btv367. PMID  26079349.
  112. ^ Zhu F, Han B, Kumar P, Liu X, Ma X, Wei X, Huang L, Guo Y, Han L, Zheng C, Chen Y (January 2010). "Update of TTD: Therapeutic Target Database". Výzkum nukleových kyselin. 38 (Database issue): D787–91. doi:10.1093/nar/gkp1014. PMC  2808971. PMID  19933260.
  113. ^ Ellis LB, Gao J, Fenner K, Wackett LP (July 2008). "The University of Minnesota pathway prediction system: predicting metabolic logic". Výzkum nukleových kyselin. 36 (Web Server issue): W427–32. doi:10.1093/nar/gkn315. PMC  2447765. PMID  18524801.
  114. ^ Horton P, Park KJ, Obayashi T, Fujita N, Harada H, Adams-Collier CJ, Nakai K (July 2007). "WoLF PSORT: protein localization predictor". Výzkum nukleových kyselin. 35 (Web Server issue): W585–7. doi:10.1093/nar/gkm259. PMC  1933216. PMID  17517783.
  115. ^ Briesemeister S, Rahnenführer J, Kohlbacher O (July 2010). "YLoc--an interpretable web server for predicting subcellular localization". Výzkum nukleových kyselin. 38 (Web Server issue): W497–502. doi:10.1093/nar/gkq477. PMC  2896088. PMID  20507917.
  116. ^ Blancafort P, Magnenat L, Barbas CF (March 2003). "Scanning the human genome with combinatorial transcription factor libraries". Přírodní biotechnologie. 21 (3): 269–74. doi:10.1038/nbt794. PMID  12592412. S2CID  9761535.
  117. ^ Dreier B, Fuller RP, Segal DJ, Lund CV, Blancafort P, Huber A, Koksch B, Barbas CF (October 2005). "Development of zinc finger domains for recognition of the 5'-CNN-3' family DNA sequences and their use in the construction of artificial transcription factors". The Journal of Biological Chemistry. 280 (42): 35588–97. doi:10.1074/jbc.M506654200. PMID  16107335.
  118. ^ Dreier B, Segal DJ, Barbas CF (November 2000). "Insights into the molecular recognition of the 5'-GNN-3' family of DNA sequences by zinc finger domains". Journal of Molecular Biology. 303 (4): 489–502. doi:10.1006/jmbi.2000.4133. PMID  11054286. S2CID  11263372.
  119. ^ Mandell JG, Barbas CF (July 2006). "Zinc Finger Tools: custom DNA-binding domains for transcription factors and nucleases". Výzkum nukleových kyselin. 34 (Web Server issue): W516–23. doi:10.1093/nar/gkl209. PMC  1538883. PMID  16845061.
  120. ^ Dreier B, Beerli RR, Segal DJ, Flippin JD, Barbas CF (August 2001). "Development of zinc finger domains for recognition of the 5'-ANN-3' family of DNA sequences and their use in the construction of artificial transcription factors". The Journal of Biological Chemistry. 276 (31): 29466–78. doi:10.1074/jbc.M102604200. PMID  11340073.
  121. ^ Segal DJ, Dreier B, Beerli RR, Barbas CF (March 1999). "Toward controlling gene expression at will: selection and design of zinc finger domains recognizing each of the 5'-GNN-3' DNA target sequences". Sborník Národní akademie věd Spojených států amerických. 96 (6): 2758–63. Bibcode:1999PNAS...96.2758S. doi:10.1073/pnas.96.6.2758. PMC  15842. PMID  10077584.