✖


Jump to content

Список инструментов прогнозирования субклеточной локализации белков

Add links

Этот список инструментов прогнозирования субклеточной локализации белков включает программное обеспечение, базы данных и веб-сервисы, которые используются для прогнозирования субклеточной локализации белков .

Включены некоторые инструменты, которые обычно используются для определения местоположения на основе предсказанных структурных свойств, таких как сигнальный пептид или трансмембранные спирали , и эти инструменты выводят предсказания этих особенностей, а не конкретных местоположений. Это программное обеспечение, связанное с предсказанием структуры белков, также может появиться в списках программного обеспечения для предсказания структуры белков .

Инструменты

[ редактировать ]
  • Описания, взятые из записи в реестре https://bio.tools/ (используется по лицензии CC-BY), указаны по ссылке.
Имя Описание Ссылки URL-адрес Год
ААИндексЛок Алгоритм на основе машинного обучения, который использует аминокислотный индекс для прогнозирования субклеточной локализации белка на основе его последовательности. ( запись в bio.tools ) [1] http://aaindexloc.bii.a-star.edu.sg/ 2008
АПСЛАП Прогноз субклеточной локализации белка апоптоза [2] 2013
АтСубП Высокоточный инструмент прогнозирования субклеточной локализации для аннотирования протеома Arabidopsis thaliana. ( запись в bio.tools ) [3] http://bioinfo3.noble.org/AtSubP/ 2010
Бачелло BaCelLo является предиктором субклеточной локализации белков у эукариот. ( запись в bio.tools ) [4] http://gpcr.biocomp.unibo.it/bacello/index.htm 2006
БАР+ BAR+ — сервер структурной и функциональной аннотации белковых последовательностей ( запись bio.tools ) [5] http://bar.biocomp.unibo.it/bar2.0/ 2011
БАР BAR 3.0 — это сервер аннотации белковых последовательностей, основанный на сравнительном крупномасштабном анализе всего UniProt. С помощью BAR 3.0 и последовательности вы можете аннотировать, когда это возможно: функцию (онтология генов), структуру (банк данных белков), белковые домены (Pfam). Кроме того, если ваша последовательность попадает в кластер со структурным/некоторым структурным шаблоном/шаблонами, мы обеспечиваем выравнивание по шаблону/шаблонам на основе Cluster-HMM (профиля HMM), что позволяет вам напрямую рассчитывать вашу 3D-модель. Кластерные HMM доступны для скачивания. ( запись в bio.tools ) [6] [5] https://bar.biocomp.unibo.it/bar3/ 2017
БАСис BASys (Bacterial Annotation System) — это инструмент для автоматического аннотирования бактериальных геномных (хромосомных и плазмидных) последовательностей, включая названия генов/белков, функции GO, функции COG, возможные паралоги и ортологи, молекулярные массы, изоэлектрические точки, структуры оперонов, субклеточную локализацию, сигнальные пептиды, трансмембранные области, вторичные структуры, трехмерные структуры, реакции и пути. ( запись в bio.tools ) [7] http://basys.ca 2005
БОМП Программа прогнозирования белков внешней мембраны бета-цилиндра (BOMP) принимает в качестве входных данных одну или несколько полипептидных последовательностей в формате fasta из грамотрицательных бактерий и предсказывает, являются ли они интегральными белками внешней мембраны бета-цилиндра. ( запись в bio.tools ) [8] http://www.bioinfo.no/tools/bomp 2004
БПРОМПТ Байесовское прогнозирование топологии мембранных белков (BPROMPT) использует байесовскую сеть убеждений для объединения результатов других методов прогнозирования мембранных белков для белковой последовательности. ( запись в bio.tools ) [9] http://www.ddg-pharmfac.net/bprompt/BPROMPT/BPROMPT.html 2003
ПОИСК BUSCA (Болонский унифицированный аннотатор субклеточных компонентов) — веб-сервер для прогнозирования субклеточной локализации белков. BUSCA объединяет различные инструменты для прогнозирования особенностей белков, связанных с локализацией, а также инструменты для распознавания субклеточной локализации как глобулярных, так и мембранных белков. ( запись в bio.tools ) [10] https://busca.biocomp.unibo.it/ 2018
Cell-PLoc Пакет веб-серверов для прогнозирования субклеточной локализации белков в различных организмах. [11] 2008
ВИОЛОНЧЕЛЬ CELLO использует двухуровневую систему опорных векторов для определения локализации как прокариотических, так и эукариотических белков. [12] [13] 2006
КлубСаб-П ClubSub-P — это база данных прогнозов субклеточной локализации (SCL) на основе кластеров для архей и грамотрицательных бактерий. [14] 2011
CoBaltDB CoBaltDB — это новая мощная платформа, которая обеспечивает легкий доступ к результатам нескольких инструментов локализации и поддерживает прогнозирование локализации прокариотических белков. [15] 2010
КомиР ComiR — это веб-инструмент для комбинаторного предсказания целей микроРНК (миРНК). Учитывая информационную РНК (мРНК) в геномах человека, мыши, мухи или червя, ComiR предсказывает, является ли данная мРНК мишенью для набора микроРНК. ( запись в bio.tools ) [16] http://www.benoslab.pitt.edu/comir/ 2013
обрезкаPAL Портал данных для доступа к сборнику данных о субклеточных местоположениях белков сельскохозяйственных культур. ( запись в bio.tools ) [17] http://crop-pal.org/ 2016
ДАС-ТМфильтр DAS (Dense Alignment Surface) основан на точечных графиках с низкой строгостью запрашиваемой последовательности в сравнении с набором библиотечных последовательностей - негомологичных мембранных белков - с использованием ранее полученной специальной матрицы оценки. Этот метод обеспечивает высокоточный профиль гидрофобности для запроса, из которого можно получить местоположение потенциальных трансмембранных сегментов. Новинкой алгоритма DAS-TMfilter является второй цикл прогнозирования для предсказания сегментов TM в последовательностях TM-библиотеки. ( запись в bio.tools ) [18] http://mendel.imp.ac.at/sat/DAS/DAS.html Архивировано 5 февраля 2018 г. в Wayback Machine. 2002
ДипЛок Прогнозирование субклеточной локализации эукариотических белков с использованием глубокого обучения ( запись в bio.tools ) [19] http://www.cbs.dtu.dk/services/DeepLoc/ 2017
Легкое внимание Архитектура глубокого обучения для прогнозирования субклеточной локализации эукариот и веб-сервер, который прогнозирует 10 местоположений для произвольного количества последовательностей, которые можно загрузить в виде .fasta или скопировать ( запись bio.tools ). [20] https://github.com/HannesStark/protein-localization 2021
ДИАНА-микроТ v5.0 Веб-сервер, который прогнозирует цели для микроРНК и предоставляет функциональную информацию о предсказанном взаимодействии микроРНК: ген-мишень из различных биологических онлайн-ресурсов. Обновления позволяют связать микроРНК с заболеваниями посредством библиографического анализа и подключения к браузеру генома UCSC. Обновления включают в себя сложные рабочие процессы. ( запись в bio.tools ) [21] [22] http://diana.imis.athena-innovation.gr/DianaTools/index.php?r=MicroT_CDS/index 2013
Лекарственный Банк DrugBank — это уникальный биоинформатический/хемоинформатический ресурс, который сочетает в себе подробные данные о лекарствах (т. е. химических веществах) с исчерпывающей информацией о мишенях лекарств (т. е. белках). База данных содержит >4100 записей о лекарственных препаратах, включая >800 одобренных FDA низкомолекулярных и биотехнологических препаратов, а также >3200 экспериментальных препаратов. Кроме того, с этими записями о лекарствах связано >14 000 целевых последовательностей белков или лекарств. ( запись в bio.tools ) [23] http://redpoll.pharmacy.ualberta.ca/drugbank/index.html 2006
Индекс кишечной палочки Комплексное руководство по информации, касающейся кишечной палочки; дом Echobase: база данных генов E. coli, охарактеризованных с момента завершения генома. ( запись в bio.tools ) [24] http://www.york.ac.uk/res/thomas/ 2009
ePlant Набор интернет-инструментов с открытым исходным кодом для визуализации крупномасштабных наборов данных модельного организма Arabidopsis thaliana. Его можно применить к любому модельному организму. В настоящее время имеет 3 модуля: исследователь сохранения последовательностей, который включает в себя отношения гомологии и данные о полиморфизме отдельных нуклеотидов, исследователь модели структуры белка, исследователь сети молекулярных взаимодействий, исследователь субклеточной локализации генных продуктов и исследователь паттернов экспрессии генов. ( запись в bio.tools ) [25] http://bar.utoronto.ca/eplant/ 2011
ЭСЛпред ESLpred — это инструмент для прогнозирования субклеточной локализации белков с использованием машин опорных векторов. Прогнозы основаны на дипептидном и аминокислотном составе, а также физико-химических свойствах. ( запись в bio.tools ) [26] http://www.imtech.res.in/raghava/eslpred/ 2004
Эук-мПЛок 2.0 Прогнозирование субклеточной локализации эукариотических белков как с одним, так и с несколькими сайтами. [27] 2010
УДАРЯТЬ Исчерпывающая и полностью курируемая база данных травяных ингредиентов?? Мишени (ХИТ). Эти растительные ингредиенты с целевой информацией о белке были тщательно отобраны. Информация о молекулярной мишени включает в себя те белки, которые прямо/косвенно активируются/ингибируются, белковые связыватели и ферменты, субстратами или продуктами которых являются эти соединения. Эти гены, регулируемые вверх/вниз, также включены в категорию отдельных ингредиентов. Кроме того, для справки пользователю предоставляются условия эксперимента, наблюдаемая биологическая активность и различные ссылки. К базе данных можно обращаться с помощью поиска по ключевым словам или поиска по сходству. Были сделаны перекрестные ссылки на TTD, DrugBank, KEGG, PDB, Uniprot, Pfam, NCBI, TCM-ID и другие базы данных. ( запись в bio.tools ) [28] http://lifecenter.sgst.cn/hit/ 2011
ХММТОП Прогнозирование трансмембранных спиралей и топологии белков. ( запись в bio.tools ) [29] [30] http://www.enzim.hu/hmmtop/ 2001
ХСЛпред Позволяет прогнозировать субклеточную локализацию белков человека. Это основано на различном типе остаточного состава белков с использованием метода SVM. ( запись в bio.tools ) [31] http://www.imtech.res.in/raghava/hslpred/ 2005
idTarget idTarget — это веб-сервер для идентификации биомолекулярных мишеней малых химических молекул с надежными оценочными функциями и подходом стыковки «разделяй и властвуй». idTarget проверяет белковые структуры в PDB. ( запись в bio.tools ) [32] http://idtarget.rcas.sinica.edu.tw 2012
iLoc-Cell Предиктор субклеточного расположения человеческих белков с несколькими сайтами. ( запись в bio.tools ) [33] http://www.jci-bioinfo.cn/iLoc-Hum 2012
ЗнатьПредсайт Основанный на знаниях подход для прогнозирования сайта(ов) локализации как однолокализованных, так и мультилокализованных белков для всех эукариот. [34] 2009
lncRNAdb База данных lncRNAdb содержит полный список длинных некодирующих РНК (lncRNA), которые, как было показано, обладают биологическими функциями или связаны с ними у эукариот, а также матричные РНК, выполняющие регуляторную роль. Каждая запись содержит справочную информацию о РНК, включая последовательности, структурную информацию, геномный контекст, экспрессию, субклеточную локализацию, консервацию, функциональные данные и другую соответствующую информацию. Поиск lncRNAdb можно осуществлять путем запроса опубликованных названий и псевдонимов РНК, последовательностей, видов и связанных генов, кодирующих белки, а также терминов, содержащихся в аннотациях, таких как ткани, в которых экспрессируются транскрипты, и связанные с ними заболевания. Кроме того, lncRNAdb связан с браузером генома UCSC для визуализации и базой данных экспрессии некодирующих РНК (NRED) для получения информации об экспрессии из различных источников. ( запись в bio.tools ) [35] http://arquivo.pt/wayback/20160516021755/http://www.lncrnadb.org/ 2011
Лок3D LOC3D представляет собой базу данных предсказанной субклеточной локализации эукариотических белков известной трехмерной (3D) структуры и включает инструменты для прогнозирования субклеточной локализации представленных белковых последовательностей. ( запись в bio.tools ) [36] [37] [38] http://cubic.bioc.columbia.edu/db/LOC3d/ 2005
НАЙТИ LOCATE — это курируемая база данных, в которой хранятся данные, описывающие мембранную организацию и субклеточную локализацию белков мыши. ( запись в bio.tools ) [39] https://web.archive.org/web/20171231015119/http://locate.imb.uq.edu.au/ 2006
ЛокБД LocDB — это база данных, курируемая вручную, с экспериментальными аннотациями о субклеточной локализации белков у Homo sapiens (HS, человек) и Arabidopsis thaliana (AT, кресс-салат). Каждая запись в базе данных содержит экспериментально полученную локализацию в терминологии Gene Ontology (GO), экспериментальную аннотацию локализации, прогнозы локализации с помощью современных методов и, если возможно, тип экспериментальной информации. LocDB доступен для поиска по ключевому слову, названию белка и субклеточному компартменту, а также по идентификаторам из ресурсов UniProt, Ensembl и TAIR. ( запись в bio.tools ) [40] http://www.rostlab.org/services/locDB/ 2011
LOCtarget LOCtarget — это инструмент для прогнозирования и база данных предварительно рассчитанных прогнозов субклеточной локализации эукариотических и прокариотических белков. Для прогнозирования используется несколько методов, включая текстовый анализ ключевых слов SWISS-PROT, сигналы ядерной локализации и использование нейронных сетей. ( запись в bio.tools ) [41] http://www.rostlab.org/services/LOCtarget/ 2004
LOCtree Прогнозирование основано на имитации механизма клеточной сортировки с использованием иерархической реализации машин опорных векторов . LOCtree — это комплексный предиктор, включающий прогнозы на основе сигнатур PROSITE / PFAM , а также SwissProt ключевых слов . [37] 2005
Локтри2 Система прогнозирования локализации в трех доменах жизни, включая глобулярные и мембранные белки (3 класса для архей; 6 для бактерий и 18 для эукариот). Полученный метод LocTree2 хорошо работает даже с фрагментами белка. Он использует иерархическую систему машин опорных векторов, имитирующую каскадный механизм клеточной сортировки. Метод достигает высоких уровней устойчивой эффективности (эукариоты: Q18=65%, бактерии: Q6=84%). LocTree2 также точно различает мембранные и немембранные белки. В наших руках он выгодно отличался от лучших методов при тестировании на новых данных ( запись bio.tools ). [42] https://rostlab.org/owiki/index.php/Loctree2 2012
Локтри3 Прогноз субклеточной локализации белков в 18 классах для эукариот, в 6 для бактерий и в 3 для архей ( запись в bio.tools ) [42] [43] https://rostlab.org/services/loctree3/ 2014
МАРСпред Метод прогнозирования для распознавания митохондриальных-AARS и цитозольных-AARS. ( запись в bio.tools ) [44] http://www.imtech.res.in/raghava/marspred/ 2012
МДЛок Предиктор субклеточного расположения белков на основе зависимостей. ( запись в bio.tools ) [45] http://128.4.31.235/ 2015
Мемлоци Предиктор субклеточной локализации белков, ассоциированных или встроенных в мембраны эукариот. ( запись в bio.tools ) [46] https://mu2py.biocomp.unibo.it/memloci 2011
Мемпайп Прогнозирование топологии и субклеточной локализации мембранных белков эукариот. ( запись в bio.tools ) [47] https://mu2py.biocomp.unibo.it/mempype 2011
МетаЛокГрамН Предиктор метасубклеточной локализации грамотрицательного белка. MetaLocGramN — это доступ к ряду методов первичного прогнозирования (различных типов: сигнальный пептид, бета-бочонок, трансмембранные спирали и предикторы субклеточной локализации). В тесте автора MetaLocGramN показал лучшие результаты по сравнению с другими методами прогнозирования SCL, поскольку средний коэффициент корреляции Мэтьюса достиг 0,806, что повысило прогностическую способность на 12% (по сравнению с PSORTb3). MetaLocGramN можно запустить через SOAP . [48] 2012
МирЗ MirZ — это веб-сервер для оценки и анализа микроРНК. Он объединяет два ресурса микроРНК: атлас экспрессии микроРНК smiRNAdb и алгоритм прогнозирования целевой микроРНК E1MMo. ( запись в bio.tools ) [49] http://www.mirz.unibas.ch 2009
МитПред Веб-сервер, специально обученный для прогнозирования белков, которым суждено локализоваться в митохондриях дрожжей и особенно животных. ( запись в bio.tools ) [50] http://www.imtech.res.in/raghava/mitpred/ 2006
МультиЛок Механизм прогнозирования на основе SVM для широкого спектра субклеточных местоположений. [51] 2006
Микосуб Этот веб-сервер использовался для прогнозирования субклеточной локализации белков микобактерий на основе оптимального трипептидного состава. ( запись в bio.tools ) [52] http://lin.uestc.edu.cn/server/Mycosub 2015
НетНЭС Прогнозирование сигналов ядерного экспорта, богатых лейцином (NES) в эукариотических белках ( запись bio.tools ) [53] http://cbs.dtu.dk/services/NetNES/ 2004
из LOC ngLOC — это байесовский классификатор на основе n-грамм, который предсказывает субклеточную локализацию белков как у прокариот, так и у эукариот. Общая точность прогноза варьируется от 85,3% до 91,4% в зависимости от вида. ( запись в bio.tools ) [54] http://genome.unmc.edu/ngLOC/index.html 2007
ОБКОЛ Программное обеспечение, которое мы разработали для проведения анализа колокализации на основе органелл с помощью мультифлуорофорной микроскопии, 2D, 3D и 4D визуализации клеток. ( запись в bio.tools ) [55] http://obcol.imb.uq.edu.au/ 2009
ПА-СУБ PA-SUB (специализированный сервер субклеточной локализации Proteome Analyst) можно использовать для прогнозирования субклеточной локализации белков с использованием признанных методов машинного обучения. ( запись в bio.tools ) [56] [57] http://www.cs.ualberta.ca/~bioinfo/PA/Sub/ 2004
ФармМаппер PharmMapper — это веб-сервер, который идентифицирует потенциальные мишени для лекарств из своей базы данных PharmTargetDB для заданной входной молекулы. Потенциальные мишени идентифицируются на основе предсказания пространственного расположения особенностей, необходимых для взаимодействия данной молекулы с мишенью. ( запись в bio.tools ) [58] http://59.78.96.61/pharmmapper 2010
ПлантЛок PlantLoc — это веб-сервер для прогнозирования субклеточной локализации растительных белков по мотиву существенности. ( запись в bio.tools ) [59] http://cal.tongji.edu.cn/PlantLoc/ 2013
ПРЕД-ТМББ PRED-TMBB — это инструмент, который принимает в качестве входных данных белковую последовательность грамотрицательных бактерий и прогнозирует трансмембранные нити и вероятность того, что это белок бета-бочонка внешней мембраны. Пользователь имеет выбор из трех различных методов декодирования. ( запись в bio.tools ) [60] [61] http://bioinformatics.biol.uoa.gr/PRED-TMBB/ 2004
ПрогнозироватьNLS Прогнозирование и анализ сигналов ядерной локализации ( запись bio.tools ) [62] https://www.rostlab.org/owiki/index.php/PredictNLS 2000
PredictProtein Открыть Прогнозирование различных аспектов структуры и функции белка. Пользователь может отправить запрос на сервер без регистрации. ( запись в bio.tools ) [63] [64] [65] [66] http://ppopen.informatik.tu-muenchen.de/ 2014
ПОДГОТОВИТЕЛЬНЫЙ Люкс Пакет PREP (Predictive RNA Editors for Plants) прогнозирует места редактирования РНК, основываясь на том принципе, что редактирование растительных органелл увеличивает сохранение белков у разных видов. Включены предикторы для митохондриальных генов, генов хлоропластов и выравниваний, вводимые пользователем. ( запись в bio.tools ) [67] [68] http://prep.unl.edu/ 2009
ПроЛок-ГО ProLoc-GO — это эффективный метод, основанный на последовательностях, позволяющий извлечь информативные термины онтологии генов для прогнозирования субклеточной локализации белка. ( запись в bio.tools ) [69] http://140.113.239.45/prolocgo/ 2008
ПроЛок Классификатор на основе машины эволюционных опорных векторов (ESVM) с автоматическим выбором из большого набора характеристик физико-химического состава (PCC) для создания точной системы прогнозирования субъядерной локализации белков. ( запись в bio.tools ) [70] http://140.113.239.45/proloc/ 2007
Они защищают Protegen — это интернет-база данных и система анализа, которая курирует, хранит и анализирует защитные антигены. Protegen включает базовую информацию об антигенах и экспериментальные данные, полученные на основе рецензируемых статей. Он также включает подробную информацию о генах/белках (например, последовательности ДНК и белков, а также классификацию COG). Предварительно рассчитываются различные характеристики антигена, такие как масса белка и pI, а также субклеточная локализация бактериальных белков. ( запись в bio.tools ) [71] http://www.violinet.org/protegen 2011
Протеомный аналитик Proteome Analyst — это высокопроизводительный инструмент для прогнозирования свойств каждого белка в протеоме. Пользователь предоставляет протеом в формате fasta, а система использует Psi-blast, Psipred и Modeller для прогнозирования функции белка и субклеточной локализации. Proteome Analyst использует классификаторы с машинным обучением для прогнозирования таких вещей, как молекулярная функция GO. Данные обучения, предоставленные пользователем, также можно использовать для создания пользовательских классификаторов. ( запись в bio.tools ) [57] http://www.cs.ualberta.ca/~bioinfo/PA/ 2004
ПроТокс ProTox — это веб-сервер для прогнозирования in silico пероральной токсичности малых молекул у грызунов. ( запись в bio.tools ) [72] [73] http://tox.charite.de/tox 2018
ПСЛпред Способ субклеточной локализации белков относится к геномам прокариот. ( запись в bio.tools ) [74] http://www.imtech.res.in/raghava/pslpred/ 2005
PSORTb PSORTb (от «бактериального» PSORT) — это высокоточный метод прогнозирования локализации бактериальных белков. PSORTb остается наиболее точным предсказателем субклеточной локализации (SCL) бактериальных белков с тех пор, как он был впервые доступен в 2003 году. Версия PSORTb улучшила воспроизведение, увеличила протеом. охват прогнозирования в масштабе и новые уточненные подкатегории локализации. Это первый предиктор SCL, специально предназначенный для всех прокариот, включая архей и бактерий с атипичной топологией мембраны/клеточной стенки. ( запись в bio.tools ) [75] http://www.psort.org/psortb/ 2010
PSORTdb PSORTdb (часть семейства PSORT) — это база данных субклеточных локализаций белков бактерий и архей, содержащая как информацию, полученную в ходе лабораторных экспериментов (набор данных ePSORTdb), так и компьютерные прогнозы (набор данных cPSORTdb). ( запись в bio.tools ) [76] [77] http://db.psort.org 2010
psRobot psRobot — это веб-инструмент для метаанализа малых РНК растений. psRobot вычисляет предсказание малых РНК по принципу «стебель-петля», которое сопоставляет загруженные пользователем последовательности с выбранным геномом, извлекает их предсказанные предшественники и прогнозирует, могут ли предшественники сворачиваться во вторичную структуру в форме «стебель-петли». psRobot также вычисляет предсказание целей малых РНК, которые предсказывают возможные цели предоставленных пользователем последовательностей малых РНК из выбранной библиотеки транскриптов. ( запись в bio.tools ) [78] http://omicslab.genetics.ac.cn/psRobot/ 2012
pTARGET pTARGET предсказывает субклеточную локализацию эукариотических белков на основе закономерностей возникновения функциональных доменов белков, специфичных для конкретного местоположения, и различий в составе аминокислот в белках из девяти различных субклеточных мест. ( запись в bio.tools ) [79] [80] http://bioinformatics.albany.edu/~ptarget 2006
РегФос RegPhos — это база данных для изучения сети фосфорилирования, связанной с вводом генов/белков. Также включена информация о субклеточной локализации. ( запись в bio.tools ) [81] http://regphos.mbc.nctu.edu.tw/ 2011
Слизняк RepTar — это база данных прогнозов целей микроРНК, основанная на алгоритме RepTar, которая не зависит от соображений эволюционной консервации и не ограничивается сайтами спаривания семян. ( запись в bio.tools ) [82] http://reptar.ekmd.huji.ac.il 2011
RNApredator RNApredator — это веб-сервер для прогнозирования целей бактериальной мРНК. Пользователь может выбирать из большого выбора геномов. Учитывается доступность мишени для мРНК. ( запись в bio.tools ) [83] http://rna.tbi.univie.ac.at/RNApredator 2011
S-PSorter Новый подход к построению классификатора на основе клеточной структуры для прогнозирования субклеточного местоположения белка на основе изображений с использованием предшествующей биологической структурной информации. ( запись в bio.tools ) [84] https://github.com/shaoweinuaa/S-PSorter 2016
хлор Прогноз субхлоропластиновой локализации белков. ( запись в bio.tools ) [85] http://schloro.biocomp.unibo.it 2017
СКЛАП Метод адаптивного бустинга для прогнозирования субхлоропластной локализации растительных белков. [86] 2013
SCLPred Прогнозирование субклеточной локализации белка SCLpred с помощью нейронных сетей N-to-1. [87] 2011
СКЛпред-ЭМС Прогнозирование субклеточной локализации белков эндомембранной системы и секреторного пути с помощью глубоких сверточных нейронных сетей N-to-1 [88] http://distilldeep.ucd.ie/SCLpred2/ 2020
СКЛпред-МЭМ Прогнозирование субклеточной локализации мембранных белков с помощью глубоких сверточных нейронных сетей N-to-1 [89] http://distilldeep.ucd.ie/SCLpred-MEM/ 2021
СекретомП Прогнозы неклассической (т.е. не запускаемой сигнальным пептидом) секреции белка ( запись в bio.tools ) [90] [91] http://cbs.dtu.dk/services/SecretomeP/ 2005
Полубиомаркеры Новый полуконтролируемый протокол, который может использовать данные о немеченых раковых белках при построении модели с помощью итеративной и пошаговой стратегии обучения. Это может привести к повышению точности и чувствительности обнаружения различий в субклеточном расположении. ( запись в bio.tools ) [92] http://www.csbio.sjtu.edu.cn/bioinf/SemiBiomarker/ 2015
ШерЛок Предиктор на основе SVM, сочетающий MultiLoc с текстовыми функциями, полученными из рефератов PubMed. [93] 2007
СУБА3 База данных субклеточной локализации белков арабидопсиса с онлайн-интерфейсом поиска. ( запись в bio.tools ) [94] [95] http://suba3.plantenergy.uwa.edu.au/ 2014
СубХло Вычислительная система для прогнозирования местоположения субхлоропластов белка по его первичной последовательности. Он может локализовать белок, субклеточным расположением которого является хлоропласт, в одной из четырех частей: оболочка (которая состоит из внешней мембраны и внутренней мембраны), просвет тилакоида, строма и тилакоидная мембрана. ( запись в bio.tools ) [96] http://bioinfo.au.tsinghua.edu.cn/software/subchlo/ 2009
СуперПред Веб-сервер SuperPred сравнивает структурный отпечаток входной молекулы с базой данных лекарств, связанных с их мишенями и затронутыми путями. Поскольку биологический эффект хорошо предсказуем, при достаточном структурном сходстве веб-сервер позволяет прогнозировать область медицинских показаний новых соединений и находить новые возможности для известных целей. Такая информация может быть полезна при классификации лекарств и прогнозировании целевых показателей. ( запись в bio.tools ) [97] http://bioinformatics.charite.de/superpred 2008
СуперЦель Веб-ресурс для анализа взаимодействия препарата с мишенью. Интегрирует информацию о лекарствах, связанную с медицинскими показаниями, побочными эффектами лекарств, метаболизмом лекарств, путями и терминами онтологии генов (GO) для целевых белков. ( запись в bio.tools ) [98] http://bioinformatics.charite.de/supertarget/ 2012
SwissTargetПрогнозирование SwissTargetPrediction — это веб-сервер для целевого прогнозирования биоактивных малых молекул. Этот веб-сайт позволяет вам предсказать цели небольшой молекулы. Используя комбинацию двухмерных и трехмерных мер сходства, он сравнивает запрашиваемую молекулу с библиотекой из 280 000 соединений, активных в отношении более чем 2000 мишеней 5 различных организмов. ( запись в bio.tools ) [99] [100] http://www.swisstargetprediction.ch 2014
Т3ДБ База данных токсинов и токсинов-мишеней (T3DB) — это уникальный ресурс биоинформатики, который собирает исчерпывающую информацию об распространенных или повсеместно распространенных токсинах и их токсинах-мишенях. Каждая запись T3DB (ToxCard) содержит более 80 полей данных, предоставляющих подробную информацию о химических свойствах и дескрипторах, значениях токсичности, последовательностях белков и генов (как для мишеней, так и для токсинов), данные о молекулярном и клеточном взаимодействии, токсикологические данные, механистическую информацию и ссылки. Эта информация была вручную извлечена и проверена из многочисленных источников, включая другие электронные базы данных, правительственные документы, учебники и научные журналы. Ключевым моментом T3DB является обеспечение «глубины»? по ??ширине?? с подробными описаниями, механизмами действия и информацией о токсинах и токсинах-мишенях. Потенциальные применения T3DB включают клиническую метаболомику, прогнозирование мишеней токсинов, прогнозирование токсичности и токсикологическое образование. ( запись в bio.tools ) [101] http://www.t3db.org 2010
ТАЛАНТ Эффектор-нуклеотидный таргетер 2.0, подобный активатору транскрипции (TAL), (TALE-NT) представляет собой набор веб-инструментов, который позволяет индивидуально разрабатывать массивы повторов эффектора TAL для желаемых целей и прогнозировать сайты связывания эффектора TAL. ( запись в bio.tools ) [102] https://boglab.plp.iastate.edu/ 2012
ТарФисДок Target Fishing Dock (TarFisDock) — это веб-сервер, который стыкует небольшие молекулы с белковыми структурами в базе данных потенциальных мишеней для лекарств (PDTD) с целью обнаружения новых мишеней для лекарств. ( запись в bio.tools ) [103] http://www.dddc.ac.cn/tarfisdock/ 2006
Целевая РНК TargetRNA — это веб-инструмент для идентификации мРНК-мишеней малых некодирующих РНК у видов бактерий. ( запись в bio.tools ) [104] http://cs.wellesley.edu/~btjaden/TargetRNA2/ 2008
ТаргетП Прогнозирование сигналов N-концевой сортировки . [105] 2000
Цели СПТБ База данных исследований тропических болезней (TDR): создана и разработана для облегчения быстрой идентификации и определения приоритетности молекулярных целей для разработки лекарств с упором на патогены, ответственные за забытые заболевания человека. База данных объединяет геномную информацию о конкретных патогенах с функциональными данными для генов, собранными из различных источников, включая подборку литературы. Информацию можно просматривать и запрашивать. ( запись в bio.tools ) [106] http://tdrtargets.org/ 2012
ТетраМито Предиктор на основе последовательностей для определения местоположения белков в субмиохондриях. ( запись в bio.tools ) [107] http://lin.uestc.edu.cn/server/TetraMito 2013
ТМБЕТА-НЕТ Инструмент, который предсказывает наличие трансмембранных бета-цепей в белке внешней мембраны по его аминокислотной последовательности. ( запись в bio.tools ) [108] [109] http://psfs.cbrc.jp/tmbeta-net/ 2005
ТМХММ Прогнозирование трансмембранных спиралей для идентификации трансмембранных белков . [110] 2001
ТМПред Программа TMpred прогнозирует трансмембранные области и их ориентацию. Алгоритм основан на статистическом анализе TMbase, базы данных природных трансмембранных белков ( запись bio.tools ). [111] http://embnet.vital-it.ch/software/TMPRED_form.html 1993
ТПпред 1.0 Прогнозирование пептидов, нацеленных на органеллы ( запись в bio.tools ) [112] http://tppred.biocomp.unibo.it/tppred/default/index 2013
ТПпред 2.0 Прогнозирование митохондриальных пептидов ( запись в bio.tools ) [113] [112] https://tppred3.biocomp.unibo.it 2015
ТПпред 3.0 Обнаружение пептидов, нацеленных на органеллы, и предсказание места расщепления ( запись в bio.tools ) [113] http://tppred3.biocomp.unibo.it/tppred3 2015
ТТД База данных терапевтических целей (TTD) была разработана для предоставления информации о терапевтических целях и соответствующих препаратах. TTD включает информацию об успешных, клинических испытаниях и целях исследований, одобренных, клинических испытаниях и экспериментальных препаратах, связанных с их основными целями, новых способах доступа к данным по механизму действия лекарств, рекурсивному поиску связанных целей или лекарств, цели сходства и поиску лекарств. загрузка индивидуальных и полных данных, а также стандартизированный идентификатор цели. ( запись в bio.tools ) [114] http://bidd.nus.edu.sg/group/cjttd/ 2010
УМ-ППС Система прогнозирования путей Университета Миннесоты (UM-PPS) — это веб-инструмент, который распознает функциональные группы в органических соединениях, которые являются потенциальными мишенями микробных катаболических реакций, и прогнозирует трансформации этих групп на основе правил биотрансформации. Делаются многоуровневые прогнозы. ( запись в bio.tools ) [115] http://eawag-bbd.ethz.ch/predict/aboutPPS.html 2008
ВОЛФ ПСОРТ WoLF PSORT — это расширение программы PSORT II для прогнозирования субклеточного расположения белков. ( запись в bio.tools ) [116] https://wolfpsort.hgc.jp/ 2007
YLoc YLoc — веб-сервер для прогнозирования субклеточной локализации. Объясняются предсказания и подчеркиваются биологические свойства, использованные для предсказания. Кроме того, оценки достоверности оценивают надежность отдельных прогнозов. ( запись в bio.tools ) [117] http://www.multiloc.org/YLoc 2010
Инструменты для цинковых пальцев Zinc Finger Tools предоставляет несколько инструментов для выбора целевых участков белка цинкового пальца и для разработки белков, которые будут нацеливаться на них. ( запись в bio.tools ) [118] [119] [120] [121] [122] [123] http://www.scripps.edu/mb/barbas/zfdesign/zfdesignhome.php. Архивировано 17 сентября 2009 г. в Wayback Machine. 2006

Ссылки

[ редактировать ]
  1. ^ Тантосо Э., Ли КБ (август 2008 г.). «AAIndexLoc: прогнозирование субклеточной локализации белков на основе нового представления последовательностей с использованием аминокислотных индексов». Аминокислоты . 35 (2): 345–53. дои : 10.1007/s00726-007-0616-y . ПМИД   18163182 . S2CID   712299 .
  2. ^ Сараванан В., Лакшми П.Т. (декабрь 2013 г.). «APSLAP: метод адаптивного усиления для прогнозирования субклеточной локализации белка апоптоза». Acta Biotheoretica . 61 (4): 481–97. дои : 10.1007/s10441-013-9197-1 . ПМИД   23982307 . S2CID   23858443 .
  3. ^ Каундал Р., Сайни Р., Чжао ПХ (сентябрь 2010 г.). «Объединение подходов, основанных на машинном обучении и гомологии, для точного прогнозирования субклеточной локализации у арабидопсиса» . Физиология растений . 154 (1): 36–54. дои : 10.1104/стр.110.156851 . ПМЦ   2938157 . ПМИД   20647376 .
  4. ^ Пьерлеони А., Мартелли П.Л., Фариселли П., Касадио Р. (июль 2006 г.). «BaCelLo: сбалансированный предиктор субклеточной локализации» . Биоинформатика . 22 (14): с408–16. doi : 10.1093/биоинформатика/btl222 . ПМИД   16873501 .
  5. ^ Jump up to: а б Пиовесан Д., Мартелли П.Л., Фариселли П., Заули А., Росси И., Касадио Р. (июль 2011 г.). «BAR-PLUS: Болонский ресурс аннотаций Plus для функциональной и структурной аннотации белковых последовательностей» . Исследования нуклеиновых кислот . 39 (проблема с веб-сервером): W197–202. дои : 10.1093/nar/gkr292 . ПМК   3125743 . ПМИД   21622657 .
  6. ^ Profiti G, Martelli PL, Casadio R (июль 2017 г.). «Ресурс болонских аннотаций (BAR 3.0): улучшение функциональных аннотаций белков» . Исследования нуклеиновых кислот . 45 (П1): Ж285–Ж290. дои : 10.1093/нар/gkx330 . ПМК   5570247 . ПМИД   28453653 .
  7. ^ Ван Домселар Г.Х., Стотхард П., Шривастава С., Круз Дж.А., Го А., Донг Х., Лу П., Шафрон Д., Грейнер Р., Вишарт Д.С. (июль 2005 г.). «BASys: веб-сервер для автоматического аннотирования бактериального генома» . Исследования нуклеиновых кислот . 33 (проблема с веб-сервером): W455–9. дои : 10.1093/nar/gki593 . ПМЦ   1160269 . ПМИД   15980511 .
  8. ^ Бервен Ф.С., Фликка К., Дженсен Х.Б., Эйдхаммер I (июль 2004 г.). «BOMP: программа для прогнозирования интегральных белков внешней мембраны бета-цилиндра, закодированных в геномах грамотрицательных бактерий» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W394–9. дои : 10.1093/nar/gkh351 . ПМЦ   441489 . ПМИД   15215418 .
  9. ^ Тейлор П.Д., Эттвуд Т.К., Флауэр Д.Р. (июль 2003 г.). «BPROMPT: Консенсусный сервер для прогнозирования мембранных белков» . Исследования нуклеиновых кислот . 31 (13): 3698–700. дои : 10.1093/нар/gkg554 . ПМК   168961 . ПМИД   12824397 .
  10. ^ Савожар К., Мартелли П.Л., Фариселли П., Профити Дж., Касадио Р. (июль 2018 г.). «BUSCA: интегративный веб-сервер для прогнозирования субклеточной локализации белков» . Исследования нуклеиновых кислот . 46 (П1): W459–W466. дои : 10.1093/nar/gky320 . ПМК   6031068 . ПМИД   29718411 .
  11. ^ Чоу К.С., Шен Х.Б. (1 января 2008 г.). «Cell-PLoc: пакет веб-серверов для прогнозирования субклеточной локализации белков в различных организмах». Протоколы природы . 3 (2): 153–62. дои : 10.1038/nprot.2007.494 . ПМИД   18274516 . S2CID   226104 .
  12. ^ Ю С.С., Лин С.Дж., Хван Дж.К. (май 2004 г.). «Прогнозирование субклеточной локализации белков грамотрицательных бактерий с помощью машин опорных векторов на основе композиций n-пептидов» . Белковая наука . 13 (5): 1402–6. дои : 10.1110/ps.03479604 . ПМК   2286765 . ПМИД   15096640 .
  13. ^ Ю С.С., Чен Ю.К., Лу Ч., Хван Дж.К. (август 2006 г.). «Прогнозирование субклеточной локализации белков». Белки . 64 (3): 643–51. дои : 10.1002/прот.21018 . ПМИД   16752418 . S2CID   24245346 .
  14. ^ Парамасивам Н., Линке Д. (2011). «ClubSub-P: кластерное прогнозирование субклеточной локализации грамотрицательных бактерий и архей» . Границы микробиологии . 2 : 218. дои : 10.3389/fmicb.2011.00218 . ПМК   3210502 . ПМИД   22073040 .
  15. ^ Гуденеж Д., Авнер С., Луккетти-Мигане С., Барлой-Хублер Ф. (март 2010 г.). «CoBaltDB: Полная база данных субклеточной локализации бактериальных и архейных орфеомов и связанные ресурсы» . БМК Микробиология . 10:88 . дои : 10.1186/1471-2180-10-88 . ПМЦ   2850352 . ПМИД   20331850 .
  16. ^ Коронелло С., Бенос П.В. (июль 2013 г.). «ComiR: Комбинаторный инструмент прогнозирования целей микроРНК» . Исследования нуклеиновых кислот . 41 (проблема с веб-сервером): W159–64. дои : 10.1093/нар/gkt379 . ПМК   3692082 . ПМИД   23703208 .
  17. ^ Хупер С.М., Каслден И.Р., Арьяманеш Н., Джейкоби Р.П., Миллар А.Х. (январь 2016 г.). «Определение субклеточного расположения белков ячменя, пшеницы, риса и кукурузы: сборник сельскохозяйственных белков с аннотированными местоположениями (cropPAL)» . Физиология растений и клеток . 57 (1): e9. дои : 10.1093/pcp/pcv170 . ПМИД   26556651 .
  18. ^ Черзо, Миклош; Эйзенхабер, Франк; Эйзенхабер, Биргит; Саймон, Иштван (сентябрь 2002 г.). «О фильтрации ложноположительных предсказаний трансмембранных белков» . Белковая инженерия, проектирование и отбор . 15 (9): 745–752. дои : 10.1093/протеин/15.9.745 . ISSN   1741-0134 . ПМИД   12456873 .
  19. ^ Альмагро Арментерос Дж. Джей, Сёндербю К.К., Сёндербю С.К., Нильсен Х., Винтер О. (ноябрь 2017 г.). «DeepLoc: предсказание субклеточной локализации белков с помощью глубокого обучения» . Биоинформатика . 33 (21): 3387–3395. doi : 10.1093/биоинформатика/btx431 . ПМИД   29036616 .
  20. ^ Старк Х., Даллаго К., Хайнцингер М., Рост Б. (ноябрь 2021 г.). «Слабое внимание предсказывает расположение белка на основе языка жизни» . Достижения биоинформатики . 1 (1): vbab035. дои : 10.1093/bioadv/vbab035 . ПМЦ   9710637 . ПМИД   36700108 .
  21. ^ Марагкакис М, Речко М, Симоссис В.А., Алексиу П., Пападопулос Г.Л., Даламагас Т., Яннопулос Г., Гумас Г., Кукис Э., Куртис К., Вергулис Т., Козирис Н., Селис Т., Цанакас П., Хацигеоргиу А.Г. (июль 2009 г.). «Веб-сервер DIANA-microT: объяснение функций микроРНК посредством предсказания цели» . Исследования нуклеиновых кислот . 37 (проблема с веб-сервером): W273–6. дои : 10.1093/nar/gkp292 . ПМК   2703977 . ПМИД   19406924 .
  22. ^ Параскевопулу М.Д., Георгакилас Г., Костулас Н., Влахос И.С., Вергулис Т., Речко М., Филиппидис С., Даламагас Т., Хацигеоргиу А.Г. (июль 2013 г.). «Веб-сервер DIANA-microT v5.0: интеграция сервиса в рабочие процессы функционального анализа микроРНК» . Исследования нуклеиновых кислот . 41 (проблема с веб-сервером): W169–73. дои : 10.1093/нар/gkt393 . ПМК   3692048 . ПМИД   23680784 .
  23. ^ Уишарт Д.С., Нокс С., Го А.С., Шривастава С., Хасанали М., Стотхард П., Чанг З., Вулси Дж. (январь 2006 г.). «DrugBank: комплексный ресурс для открытия и исследования лекарств in silico» . Исследования нуклеиновых кислот . 34 (Проблема с базой данных): D668–72. дои : 10.1093/nar/gkj067 . ПМЦ   1347430 . ПМИД   16381955 .
  24. ^ Хорлер Р.С., Батчер А., Папангелопулос Н., Эштон П.Д., Томас Г.Х. (январь 2009 г.). «EchoLOCATION: анализ in silico субклеточного расположения белков Escherichia coli и сравнение с экспериментально полученными местоположениями» . Биоинформатика . 25 (2): 163–6. doi : 10.1093/биоинформатика/btn596 . ПМИД   19015139 .
  25. ^ Фусиле Дж., Ди Биасе Д., Нахал Х., Ла Г., Ходабанде С., Чен Ю., Исли К., Кристендат Д., Келли Л., Проварт, Нью-Джерси (январь 2011 г.). «ePlant и инициатива по отображению 3D-данных: интегративная системная биология во всемирной паутине» . ПЛОС ОДИН . 6 (1): e15237. Бибкод : 2011PLoSO...615237F . дои : 10.1371/journal.pone.0015237 . ПМК   3018417 . ПМИД   21249219 .
  26. ^ Бхасин М., Рагхава Г.П. (июль 2004 г.). «ESLpred: метод субклеточной локализации эукариотических белков на основе SVM с использованием дипептидной композиции и PSI-BLAST» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W414–9. дои : 10.1093/nar/gkh350 . ПМК   441488 . ПМИД   15215421 .
  27. ^ Чоу К.С., Шен Х.Б. (апрель 2010 г.). «Новый метод прогнозирования субклеточной локализации эукариотических белков как с одним, так и с несколькими сайтами: Euk-mPLoc 2.0» . ПЛОС ОДИН . 5 (4): e9931. Бибкод : 2010PLoSO...5.9931C . дои : 10.1371/journal.pone.0009931 . ПМЦ   2848569 . ПМИД   20368981 .
  28. ^ Е Х, Е Л, Кан Х, Чжан Д, Тао Л, Тан К, Лю Икс, Чжу Р, Лю Ц, Чен ЮЗ, Ли Ю, Цао З (январь 2011 г.). «HIT: связывание активных ингредиентов растительного происхождения с целевыми целями» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D1055–9. дои : 10.1093/нар/gkq1165 . ПМК   3013727 . ПМИД   21097881 .
  29. ^ Туснади, Габор Э.; Саймон, Иштван (октябрь 1998 г.). «Принципы, определяющие аминокислотный состав интегральных мембранных белков: применение к предсказанию топологии 1 1 Под редакцией Дж. Торнтона». Журнал молекулярной биологии . 283 (2): 489–506. дои : 10.1006/jmbi.1998.2107 . ISSN   0022-2836 . ПМИД   9769220 .
  30. ^ Туснади, GE; Саймон, И. (1 сентября 2001 г.). «Сервер прогнозирования трансмембранной топологии HMMTOP» . Биоинформатика . 17 (9): 849–850. дои : 10.1093/биоинформатика/17.9.849 . ISSN   1367-4803 . ПМИД   11590105 .
  31. ^ Гарг А., Бхасин М., Рагхава Г.П. (апрель 2005 г.). «Машинный метод опорных векторов субклеточной локализации белков человека с использованием аминокислотного состава, их порядка и поиска по сходству» . Журнал биологической химии . 280 (15): 14427–32. дои : 10.1074/jbc.M411789200 . ПМИД   15647269 .
  32. ^ Ван Дж.К., Чу ПЯ, Чен С.М., Линь Дж.Х. (июль 2012 г.). «idTarget: веб-сервер для идентификации белковых мишеней малых химических молекул с надежными оценочными функциями и подходом стыковки по принципу «разделяй и властвуй» . Исследования нуклеиновых кислот . 40 (проблема с веб-сервером): W393–9. дои : 10.1093/nar/gks496 . ПМЦ   3394295 . ПМИД   22649057 .
  33. ^ Чжоу К.Ц., Ву ZC, Сяо X (февраль 2012 г.). «iLoc-Hum: использование шкалы накопленных меток для прогнозирования субклеточного расположения человеческих белков как с одним, так и с несколькими сайтами». Молекулярные биосистемы . 8 (2): 629–41. дои : 10.1039/c1mb05420a . ПМИД   22134333 .
  34. ^ Линь Х.Н., Чен К.Т., Сун Т.Я., Хо С.Ю., Сюй В.Л. (декабрь 2009 г.). «Прогнозирование субклеточной локализации белков эукариот с использованием подхода, основанного на знаниях» . БМК Биоинформатика . 10 (Дополнение 15): S8. дои : 10.1186/1471-2105-10-S15-S8 . ПМЦ   2788359 . ПМИД   19958518 .
  35. ^ Амарал П.П., Кларк М.Б., Гаскойн Д.К., Динджер М.Э., Мэттик Дж.С. (январь 2011 г.). «lncRNAdb: справочная база данных длинных некодирующих РНК» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D146–51. дои : 10.1093/нар/gkq1138 . ПМК   3013714 . ПМИД   21112873 .
  36. ^ Наир Р., Рост Б. (июль 2003 г.). «LOC3D: аннотировать субклеточную локализацию белковых структур» . Исследования нуклеиновых кислот . 31 (13): 3337–40. дои : 10.1093/nar/gkg514 . ПМК   168921 . ПМИД   12824321 .
  37. ^ Jump up to: а б Наир Р., Рост Б. (апрель 2005 г.). «Имитация клеточной сортировки улучшает предсказание субклеточной локализации». Журнал молекулярной биологии . 348 (1): 85–100. дои : 10.1016/j.jmb.2005.02.025 . ПМИД   15808855 .
  38. ^ Наир Р., Рост Б. (декабрь 2003 г.). «Лучшее предсказание внутриклеточной локализации путем объединения эволюционной и структурной информации». Белки . 53 (4): 917–30. CiteSeerX   10.1.1.217.389 . дои : 10.1002/прот.10507 . ПМИД   14635133 . S2CID   3142627 .
  39. ^ Финк Дж.Л., Атуралия Р.Н., Дэвис М.Дж., Чжан Ф., Хансон К., Тисдейл М.С., Кай С., Каваи Дж., Карнинчи П., Хаяшизаки Ю., Тисдейл Р.Д. (январь 2006 г.). «НАЙТИ: база данных субклеточной локализации мышиных белков» . Исследования нуклеиновых кислот . 34 (Проблема с базой данных): D213–7. дои : 10.1093/nar/gkj069 . ПМЦ   1347432 . ПМИД   16381849 .
  40. ^ Растоги С, Рост Б (январь 2011 г.). «LocDB: экспериментальные аннотации локализации Homo sapiens и Arabidopsis thaliana» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D230–4. дои : 10.1093/nar/gkq927 . ПМК   3013784 . ПМИД   21071420 .
  41. ^ Наир Р., Рост Б. (июль 2004 г.). «LOCnet и LOCtarget: субклеточная локализация целей структурной геномики» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W517–21. дои : 10.1093/nar/gkh441 . ПМЦ   441579 . ПМИД   15215440 .
  42. ^ Jump up to: а б Голдберг Т., Хэмп Т., Рост Б. (сентябрь 2012 г.). «LocTree2 предсказывает локализацию для всех сфер жизни» . Биоинформатика . 28 (18): i458–i465. doi : 10.1093/биоинформатика/bts390 . ПМЦ   3436817 . ПМИД   22962467 .
  43. ^ Гольдберг Т , Хехт М , Хэмп Т , Карл Т , Яхдав Г , Ахмед Н , Альтерманн Ю , Ангерер П , Ансорж С , Балаш К , Бернхофер М , Бетц А , Чизмадия Л , До КТ , Герке Дж , Грейл Р , Йорденс В. , Хастрайтер М , Хембах К , Херцог М , Калеманов М , Клюге М , Мейер А , Насир Х , Ноймайер У , Праде В , Риб Дж , Сорокоумов А , Трошани И , Форберг С , Вальдраф С , Зирер Дж , Нильсен Х , Рост Б (июль 2014 г.). «Предсказание локализации LocTree3 » Исследования нуклеиновых кислот . 42 (проблема с веб-сервером): W350–5. дои : 10.1093/nar/gku396 . ПМК   4086075 . ПМИД   24848019 .
  44. ^ Панвар Б., Рагхава ГП (май 2012 г.). «Прогнозирование субклеточной локализации тРНК-синтетаз по их первичным структурам». Аминокислоты . 42 (5): 1703–13. дои : 10.1007/s00726-011-0872-8 . ПМИД   21400228 . S2CID   2996097 .
  45. ^ Симха Р., Бриземайстер С., Кольбахер О., Шаткай Х. (июнь 2015 г.). «Прогнозирование (мульти)локации белков: использование взаимозависимостей с помощью генеративной модели» . Биоинформатика . 31 (12): i365–74. doi : 10.1093/биоинформатика/btv264 . ПМЦ   4765880 . ПМИД   26072505 .
  46. ^ Пьерлеони А., Мартелли П.Л., Касадио Р. (май 2011 г.). «MemLoci: предсказание субклеточной локализации мембранных белков у эукариот» . Биоинформатика . 27 (9): 1224–30. doi : 10.1093/биоинформатика/btr108 . ПМИД   21367869 .
  47. ^ Пьерлеони А., Индио В., Савохардо С., Фариселли П., Мартелли П.Л., Касадио Р. (июль 2011 г.). «MemPype: конвейер для аннотации мембранных белков эукариот» . Исследования нуклеиновых кислот . 39 (проблема с веб-сервером): W375–80. дои : 10.1093/nar/gkr282 . ПМК   3125734 . ПМИД   21543452 .
  48. ^ Магнус М., Павловский М., Буйницкий Дж.М. (декабрь 2012 г.). «MetaLocGramN: метапредиктор субклеточной локализации белка грамотрицательных бактерий». Biochimica et Biophysical Acta (BBA) - Белки и протеомика . 1824 (12): 1425–33. дои : 10.1016/j.bbapap.2012.05.018 . ПМИД   22705560 .
  49. ^ Хауссер Дж., Бернингер П., Родак С., Янчер Ю., Вирт С., Заволан М. (июль 2009 г.). «MirZ: интегрированный атлас экспрессии микроРНК и ресурс для прогнозирования целей» . Исследования нуклеиновых кислот . 37 (проблема с веб-сервером): W266–72. дои : 10.1093/нар/gkp412 . ПМК   2703880 . ПМИД   19468042 .
  50. ^ Кумар М., Верма Р., Рагхава Г.П. (март 2006 г.). «Прогнозирование митохондриальных белков с использованием машины опорных векторов и скрытой модели Маркова» . Журнал биологической химии . 281 (9): 5357–63. дои : 10.1074/jbc.M511061200 . ПМИД   16339140 .
  51. ^ Хёглунд А., Доннес П., Блюм Т., Адольф Х.В., Кольбахер О. (май 2006 г.). «MultiLoc: предсказание субклеточной локализации белка с использованием N-концевых нацеливающих последовательностей, мотивов последовательностей и аминокислотного состава» . Биоинформатика . 22 (10): 1158–65. doi : 10.1093/биоинформатика/btl002 . ПМИД   16428265 .
  52. ^ Чжу П.П., Ли В.К., Чжун З.Дж., Дэн Э.З., Дин Х., Чен В., Линь Х. (февраль 2015 г.). «Прогнозирование субклеточной локализации микобактериальных белков путем включения оптимальных трипептидов в общую форму псевдоаминокислотного состава». Молекулярные биосистемы . 11 (2): 558–63. дои : 10.1039/c4mb00645c . ПМИД   25437899 . S2CID   8130819 .
  53. ^ ла Кур Т., Кимер Л., Мёлгаард А., Гупта Р., Скривер К., Брунак С. (июнь 2004 г.). «Анализ и прогноз сигналов ядерного экспорта, богатых лейцином» . Белковая инженерия, проектирование и отбор . 17 (6): 527–36. дои : 10.1093/протеин/gzh062 . ПМИД   15314210 .
  54. ^ Кинг, Брайан Р.; Гуда, Читтибабу (2007). «ngLOC: байесовский метод на основе n-грамм для оценки субклеточных протеомов эукариот» . Геномная биология . 8 (5): Р68. дои : 10.1186/gb-2007-8-5-r68 . ISSN   1465-6906 . ЧВК   1929137 . ПМИД   17472741 .
  55. ^ Вудкрофт Б.Дж., Хаммонд Л., Стоу Дж.Л., Гамильтон Н.А. (ноябрь 2009 г.). «Автоматическая колокализация на основе органелл при визуализации цельных клеток» . Цитометрия. Часть А. 75 (11): 941–50. doi : 10.1002/cyto.a.20786 . ПМИД   19746416 . S2CID   25068671 .
  56. ^ Лу З, Шафрон Д., Грейнер Р., Лу П., Вишарт Д.С., Пулен Б., Анвик Дж., Макдонелл С., Эйснер Р. (март 2004 г.). «Прогнозирование субклеточной локализации белков с помощью классификаторов с машинным обучением». Биоинформатика . 20 (4): 547–56. CiteSeerX   10.1.1.216.1493 . doi : 10.1093/биоинформатика/btg447 . ПМИД   14990451 .
  57. ^ Jump up to: а б Шафрон Д., Лу П., Грейнер Р., Вишарт Д.С., Пулин Б., Эйснер Р., Лу З., Анвик Дж., Макдонелл С., Фише А., Меувис Д. (июль 2004 г.). «Proteome Analyst: пользовательские прогнозы с пояснениями в веб-инструменте для высокопроизводительных аннотаций протеомов» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W365–71. дои : 10.1093/nar/gkh485 . ПМК   441623 . ПМИД   15215412 .
  58. ^ Лю X, Оуян С, Ю Б, Лю Ю, Хуан К, Гун Дж, Чжэн С, Ли З, Ли Х, Цзян Х (июль 2010 г.). «Сервер PharmMapper: веб-сервер для идентификации потенциальной мишени лекарств с использованием подхода картирования фармакофоров» . Исследования нуклеиновых кислот . 38 (проблема с веб-сервером): W609–14. дои : 10.1093/nar/gkq300 . ПМК   2896160 . ПМИД   20430828 .
  59. ^ Тан С., Ли Т., Конг П., Сюн В., Ван З., Сунь Дж. (июль 2013 г.). «PlantLoc: точный веб-сервер для прогнозирования субклеточной локализации растительных белков по мотиву существенности» . Исследования нуклеиновых кислот . 41 (проблема с веб-сервером): W441–7. дои : 10.1093/нар/gkt428 . ПМК   3692052 . ПМИД   23729470 .
  60. ^ Багос П.Г., Лиакопулос Т.Д., Спиропулос И.К., Хамодракас С.Дж. (июль 2004 г.). «PRED-TMBB: веб-сервер для прогнозирования топологии белков внешней мембраны бета-цилиндра» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W400–4. дои : 10.1093/nar/gkh417 . ПМЦ   441555 . ПМИД   15215419 .
  61. ^ Багос П.Г., Лиакопулос Т.Д., Спиропулос И.К., Хамодракас С.Дж. (март 2004 г.). «Метод скрытой модели Маркова, способный предсказывать и различать белки внешней мембраны бета-цилиндра» . БМК Биоинформатика . 5:29 . дои : 10.1186/1471-2105-5-29 . ПМЦ   385222 . ПМИД   15070403 .
  62. ^ Кокол М., Наир Р., Рост Б. (ноябрь 2000 г.). «Обнаружение сигналов ядерной локализации» . Отчеты ЭМБО . 1 (5): 411–5. дои : 10.1093/embo-reports/kvd092 . ПМЦ   1083765 . ПМИД   11258480 .
  63. ^ Яхдав Г, Клоппманн Е, Каян Л, Хехт М, Гольдберг Т, Хэмп Т, Хёнигшмид П, Шафферханс А, Роос М, Бернхофер М, Рихтер Л, Ашкенази Х, Пунта М, Шлезингер А, Бромберг Ю, Шнайдер Р, Вриенд Г , Сандер С., Бен-Тал Н., Рост Б. (июль 2014 г.). «PredictProtein — открытый ресурс для онлайн-прогноза структурных и функциональных особенностей белков» . Исследования нуклеиновых кислот . 42 (проблема с веб-сервером): W337–43. дои : 10.1093/нар/gku366 . ПМК   4086098 . ПМИД   24799431 .
  64. ^ Каян Л., Яхдав Г., Вицедо Э., Штайнеггер М., Мирдита М., Ангермюллер С., Бём А., Домке С., Эртль Дж., Мертес С., Райзингер Е., Станьевски С., Рост Б. (2013). «Облачное прогнозирование структуры и функций белков с помощью PredictProtein для Debian» . БиоМед Исследования Интернэшнл . 2013 : 1–6. дои : 10.1155/2013/398968 . ПМЦ   3732596 . ПМИД   23971032 .
  65. ^ Рост Б, Лю Дж (июль 2003 г.). «Сервер PredictProtein» . Исследования нуклеиновых кислот . 31 (13): 3300–4. дои : 10.1093/нар/gkg508 . ПМК   168915 . ПМИД   12824312 .
  66. ^ Рост Б., Ячдав Г., Лю Дж. (июль 2004 г.). «Сервер PredictProtein» . Исследования нуклеиновых кислот . 32 (проблема с веб-сервером): W321–6. дои : 10.1093/nar/gkh377 . ПМК   441515 . ПМИД   15215403 .
  67. ^ Мауэр JP (июль 2009 г.). «Пакет PREP: предсказательные редакторы РНК для митохондриальных генов растений, генов хлоропластов и определяемых пользователем выравниваний» . Исследования нуклеиновых кислот . 37 (проблема с веб-сервером): W253–9. дои : 10.1093/нар/gkp337 . ПМК   2703948 . ПМИД   19433507 .
  68. ^ Мауэр JP (апрель 2005 г.). «PREP-Mt: предсказательный редактор РНК для митохондриальных генов растений» . БМК Биоинформатика . 6:96 . дои : 10.1186/1471-2105-6-96 . ПМЦ   1087475 . ПМИД   15826309 .
  69. ^ Хуан В.Л., Тунг К.В., Хо С.В., Хван С.Ф., Хо С.Ю. (февраль 2008 г.). «ProLoc-GO: использование информативных терминов онтологии генов для предсказания субклеточной локализации белка на основе последовательностей» . БМК Биоинформатика . 9:80 . дои : 10.1186/1471-2105-9-80 . ПМК   2262056 . ПМИД   18241343 .
  70. ^ Хуан В.Л., Тунг К.В., Хуан Х.Л., Хван С.Ф., Хо С.Ю. (2007). «ProLoc: прогнозирование субъядерной локализации белков с использованием SVM с автоматическим выбором по особенностям физико-химического состава». Биосистемы . 90 (2): 573–81. doi : 10.1016/j.biosystems.2007.01.001 . ПМИД   17291684 .
  71. ^ Ян Б., Сэйерс С., Сян З., Хэ Й. (январь 2011 г.). «Protegen: веб-база данных и система анализа защитных антигенов» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D1073–8. дои : 10.1093/nar/gkq944 . ПМК   3013795 . ПМИД   20959289 .
  72. ^ Дрвал, Малгожата Н.; Банерджи, Приянка; Дункель, Матиас; Веттиг, Мартин Р.; Прейсснер, Роберт (16 мая 2014 г.). «ProTox: веб-сервер для прогнозирования in silico оральной токсичности грызунов» . Исследования нуклеиновых кислот . 42 (П1): W53–W58. дои : 10.1093/nar/gku401 . ISSN   1362-4962 . ПМК   4086068 . ПМИД   24838562 .
  73. ^ Банерджи, Приянка; Эккерт, Андреас О; Шрей, Анна К; Прейсснер, Роберт (30 апреля 2018 г.). «ProTox-II: веб-сервер для прогнозирования токсичности химических веществ» . Исследования нуклеиновых кислот . 46 (П1): W257–W263. дои : 10.1093/nar/gky318 . ISSN   0305-1048 . ПМК   6031011 . ПМИД   29718510 .
  74. ^ Бхасин М., Гарг А., Рагхава Г.П. (май 2005 г.). «ПСЛпред: предсказание субклеточной локализации бактериальных белков» . Биоинформатика . 21 (10): 2522–4. doi : 10.1093/биоинформатика/bti309 . ПМИД   15699023 .
  75. ^ Ю Нью-Йорк, Вагнер-младший, Лэрд М.Р., Мелли Дж., Рей С., Ло Р., Дао П., Сахинальп СК, Эстер М., Фостер Л.Дж., Бринкман Ф.С. (июль 2010 г.). «PSORTb 3.0: улучшенное предсказание субклеточной локализации белков с уточненными подкатегориями локализации и возможностями прогнозирования для всех прокариот» . Биоинформатика . 26 (13): 1608–15. doi : 10.1093/биоинформатика/btq249 . ПМК   2887053 . ПМИД   20472543 .
  76. ^ Ю Нью-Йорк, Лэрд М.Р., Спенсер С., Бринкман Ф.С. (январь 2011 г.). «PSORTdb — расширенная, автоматически обновляемая, удобная для пользователя база данных субклеточной локализации белков для бактерий и архей» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D241–4. дои : 10.1093/нар/gkq1093 . ПМК   3013690 . ПМИД   21071402 .
  77. ^ Рей С., Акаб М., Гарди Дж.Л., Лэрд М.Р., ДеФейс К., Ламберт С., Бринкман Ф.С. (январь 2005 г.). «PSORTdb: база данных субклеточной локализации белков бактерий» . Исследования нуклеиновых кислот . 33 (Проблема с базой данных): D164–8. дои : 10.1093/nar/gki027 . ПМК   539981 . ПМИД   15608169 .
  78. ^ Ву HJ, Ма ЮК, Чен Т, Ван М, Ван XJ (июль 2012 г.). «PsRobot: веб-инструментарий для метаанализа малых РНК растений» . Исследования нуклеиновых кислот . 40 (проблема с веб-сервером): W22–8. дои : 10.1093/nar/gks554 . ПМЦ   3394341 . ПМИД   22693224 .
  79. ^ Гуда С., Субраманиам С. (ноябрь 2005 г.). «pTARGET [исправлен] новый метод прогнозирования субклеточной локализации белков у эукариот» . Биоинформатика . 21 (21): 3963–9. doi : 10.1093/биоинформатика/bti650 . ПМИД   16144808 .
  80. ^ Гуда С (июль 2006 г.). «pTARGET: веб-сервер для прогнозирования субклеточной локализации белков» . Исследования нуклеиновых кислот . 34 (проблема с веб-сервером): W210–3. дои : 10.1093/nar/gkl093 . ПМЦ   1538910 . ПМИД   16844995 .
  81. ^ Ли Тай, Бо-Кай Сюй Дж, Чанг В.К., Хуан Х.Д. (январь 2011 г.). «RegPhos: система для изучения сети фосфорилирования протеинкиназ-субстрата у людей» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D777–87. дои : 10.1093/нар/gkq970 . ПМК   3013804 . ПМИД   21037261 .
  82. ^ Элефант Н., Бергер А., Шейн Х., Хофри М., Маргалит Х., Алтувия Ю. (январь 2011 г.). «RepTar: база данных предсказанных клеточных мишеней хозяина и вирусных микроРНК» . Исследования нуклеиновых кислот . 39 (Проблема с базой данных): D188–94. дои : 10.1093/нар/gkq1233 . ПМК   3013742 . ПМИД   21149264 .
  83. ^ Эггенхофер Ф., Тафер Х., Штадлер П.Ф., Хофакер И.Л. (июль 2011 г.). «RNApredator: быстрое предсказание целей мРНК на основе доступности» . Исследования нуклеиновых кислот . 39 (проблема с веб-сервером): W149–54. дои : 10.1093/nar/gkr467 . ПМК   3125805 . ПМИД   21672960 .
  84. ^ Шао В., Лю М., Чжан Д. (январь 2016 г.). «Построение модели на основе структуры клеток человека для прогнозирования субклеточного расположения белков на основе биологических изображений» . Биоинформатика . 32 (1): 114–21. doi : 10.1093/биоинформатика/btv521 . ПМИД   26363175 .
  85. ^ Савохардо К., Мартелли П.Л., Фариселли П., Касадио Р. (февраль 2017 г.). «SChloro: направление белков Viridiplantae в шесть хлоропластических подотделений» . Биоинформатика . 33 (3): 347–353. doi : 10.1093/биоинформатика/btw656 . ПМК   5408801 . ПМИД   28172591 .
  86. ^ Сараванан В., Лакшми П.Т. (февраль 2013 г.). «SCLAP: метод адаптивного усиления для прогнозирования субхлоропластной локализации растительных белков». ОМИКС . 17 (2): 106–15. дои : 10.1089/omi.2012.0070 . ПМИД   23289782 .
  87. ^ Муни С., Ван Ю.Х., Полластри Дж. (октябрь 2011 г.). «SCLpred: предсказание субклеточной локализации белка с помощью нейронных сетей N-к-1» . Биоинформатика . 27 (20): 2812–9. doi : 10.1093/биоинформатика/btr494 . hdl : 10197/3443 . ПМИД   21873639 .
  88. ^ Калил, М; Чжэн, Ю; Чен, Дж; Фэн, X; Симпсон, Джей Си; Полластри, Г; Муни, К. (6 марта 2020 г.). «SCLpred-EMS: предсказание субклеточной локализации белков эндомембранной системы и секреторного пути с помощью глубоких сверточных нейронных сетей N-к-1». Биоинформатика . 36 (11): 3343–3349. doi : 10.1093/биоинформатика/btaa156 . hdl : 10197/12182 . ПМИД   32142105 .
  89. ^ Калил, Маназ; Эллингер, Лиам; Лалор, Клода; Полластри, Джанлука; Муни, Кэтрин (2021). «SCLpred-MEM: предсказание субклеточной локализации мембранных белков с помощью глубоких сверточных нейронных сетей N-to-1» . Белки: структура, функции и биоинформатика . 89 (10): 1233–1239. дои : 10.1002/прот.26144 . HDL : 2346/90320 . ПМИД   33983651 . S2CID   234484678 .
  90. ^ Бендтсен Дж.Д., Йенсен Л.Дж., Блом Н., Фон Хейне Г. , Брунак С. (апрель 2004 г.). «Функциональное предсказание неклассической секреции белка без лидера» . Белковая инженерия, проектирование и отбор . 17 (4): 349–56. дои : 10.1093/протеин/gzh037 . ПМИД   15115854 .
  91. ^ Бендцен Дж.Д., Кимер Л., Фаусбёлль А., Брунак С. (октябрь 2005 г.). «Неклассическая секреция белка у бактерий» . БМК Микробиология . 5:58 . дои : 10.1186/1471-2180-5-58 . ПМЦ   1266369 . ПМИД   16212653 .
  92. ^ Сюй Ю, Ян Ф, Чжан Ю, Шен Х.Б. (апрель 2015 г.). «Обнаружение неправильно локализованных белков при раке человека с помощью биовизуализации путем полуконтролируемого обучения» . Биоинформатика . 31 (7): 1111–9. doi : 10.1093/биоинформатика/btu772 . ПМЦ   4382902 . ПМИД   25414362 .
  93. ^ Шаткай Х., Хёглунд А., Брейди С., Блюм Т., Доннес П., Кольбахер О. (июнь 2007 г.). «SherLoc: высокоточное предсказание субклеточной локализации белков путем интеграции текста и данных о последовательностях белков» . Биоинформатика . 23 (11): 1410–7. doi : 10.1093/биоинформатика/btm115 . ПМИД   17392328 .
  94. ^ Танц С.К., Каслден И., Хупер С.М., Вашер М., Смолл И., Миллар Х.А. (январь 2013 г.). «SUBA3: база данных для интеграции экспериментов и прогнозов для определения СУБклеточного расположения белков у арабидопсиса» . Исследования нуклеиновых кислот . 41 (Проблема с базой данных): D1185–91. дои : 10.1093/nar/gks1151 . ПМЦ   3531127 . ПМИД   23180787 .
  95. ^ Хупер СМ, Танц С.К., Каслден И.Р., Вашер М.А., Смолл И.Д., Миллар А.Х. (декабрь 2014 г.). «SUBAcon: консенсусный алгоритм для объединения данных субклеточной локализации протеома Arabidopsis» . Биоинформатика . 30 (23): 3356–64. doi : 10.1093/биоинформатика/btu550 . ПМИД   25150248 .
  96. ^ Ду П, Цао С, Ли Ю (ноябрь 2009 г.). «SubChlo: прогнозирование местоположения белковых субхлоропластов с псевдоаминокислотным составом и теоретико-доказательным алгоритмом K-ближайшего соседа (ET-KNN)». Журнал теоретической биологии . 261 (2): 330–5. Бибкод : 2009JThBi.261..330D . дои : 10.1016/j.jtbi.2009.08.004 . ПМИД   19679138 .
  97. ^ Дункель М., Гюнтер С., Ахмед Дж., Виттиг Б., Прейсснер Р. (июль 2008 г.). «СуперПред: классификация лекарств и прогнозирование целей» . Исследования нуклеиновых кислот . 36 (проблема с веб-сервером): W55–9. дои : 10.1093/нар/gkn307 . ПМЦ   2447784 . ПМИД   18499712 .
  98. ^ Хекер Н., Ахмед Дж., фон Эйхборн Дж., Данкель М., Маха К., Эккерт А., Гилсон М.К., Борн П.Е., Прейсснер Р. (январь 2012 г.). «SuperTarget становится количественным: обновленная информация о взаимодействии препарата с мишенью» . Исследования нуклеиновых кислот . 40 (Проблема с базой данных): D1113–7. дои : 10.1093/nar/gkr912 . ПМК   3245174 . ПМИД   22067455 .
  99. ^ Гфеллер, Дэвид; Мишлен, Оливье; Зете, Винсент (17 сентября 2013 г.). «Формирование ландшафта взаимодействия биоактивных молекул» . Биоинформатика . 29 (23): 3073–3079. doi : 10.1093/биоинформатика/btt540 . ISSN   1460-2059 . ПМИД   24048355 .
  100. ^ Гфеллер, Дэвид; Гросдидье, Орельен; Вирт, Матиас; Дайна, Антуан; Мишлен, Оливье; Зете, Винсент (3 мая 2014 г.). «SwissTargetPrediction: веб-сервер для целевого прогнозирования биоактивных малых молекул» . Исследования нуклеиновых кислот . 42 (П1): П32–П38. дои : 10.1093/нар/gku293 . ISSN   1362-4962 . ПМК   4086140 . ПМИД   24792161 .
  101. ^ Лим Э., Пон А., Джумбу Ю., Нокс С., Шривастава С., Го А.С., Невё В., Вишарт Д.С. (январь 2010 г.). «T3DB: подробно аннотированная база данных распространенных токсинов и их целей» . Исследования нуклеиновых кислот . 38 (Проблема с базой данных): D781–6. дои : 10.1093/нар/gkp934 . ПМЦ   2808899 . ПМИД   19897546 .
  102. ^ Дойл Э.Л., Бухер, Нью-Джерси, Стендейдж Д.С., Войтас Д.Ф., Брендель В.П., Вандик Дж.К., Богданов А.Дж. (июль 2012 г.). «TAL Effector-Nucleotide Targeter (TALE-NT) 2.0: инструменты для проектирования эффекторов TAL и прогнозирования целей» . Исследования нуклеиновых кислот . 40 (проблема с веб-сервером): W117–22. дои : 10.1093/nar/gks608 . ПМК   3394250 . ПМИД   22693217 .
  103. ^ Ли Х, Гао З, Кан Л, Чжан Х, Ян К, Ю К, Луо Икс, Чжу В, Чэнь К, Шэнь Дж, Ван Х, Цзян Х (июль 2006 г.). «TarFisDock: веб-сервер для идентификации целей, связанных с наркотиками, с помощью метода стыковки» . Исследования нуклеиновых кислот . 34 (проблема с веб-сервером): W219–24. дои : 10.1093/нар/gkl114 . ПМЦ   1538869 . ПМИД   16844997 .
  104. ^ Тьяден Б. (июль 2008 г.). «Целевая РНК: инструмент для прогнозирования целей действия малых РНК у бактерий» . Исследования нуклеиновых кислот . 36 (проблема с веб-сервером): W109–13. дои : 10.1093/нар/gkn264 . ПМЦ   2447797 . ПМИД   18477632 .
  105. ^ Эмануэльссон О, Нильсен Х, Брунак С, Фон Хейне Г (июль 2000 г.). «Прогнозирование субклеточной локализации белков на основе их N-концевой аминокислотной последовательности». Журнал молекулярной биологии . 300 (4): 1005–16. дои : 10.1006/jmbi.2000.3903 . ПМИД   10891285 .
  106. ^ Магариньос MP, Кармона С.Дж., Кроутер Г.Дж., Ральф С.А., Роос Д.С., Шанмугам Д., Ван Вурхис В.К., Агуэро Ф. (январь 2012 г.). «Цели TDR: ресурс хемогеномики для забытых болезней» . Исследования нуклеиновых кислот . 40 (Проблема с базой данных): D1118–27. дои : 10.1093/nar/gkr1053 . ПМК   3245062 . ПМИД   22116064 .
  107. ^ Линь Х., Чен В., Юань Л.Ф., Ли ZQ, Дин Х. (июнь 2013 г.). «Использование чрезмерно представленных тетрапептидов для прогнозирования расположения белков в субмитохондриях». Acta Biotheoretica . 61 (2): 259–68. дои : 10.1007/s10441-013-9181-9 . ПМИД   23475502 . S2CID   30809970 .
  108. ^ Громиха М.М., Ахмад С., Сува М. (апрель 2004 г.). «Прогнозирование трансмембранных бета-цепей в белках внешней мембраны на основе нейронных сетей». Журнал вычислительной химии . 25 (5): 762–7. дои : 10.1002/jcc.10386 . ПМИД   14978719 . S2CID   3486330 .
  109. ^ Громиха М.М., Ахмад С., Сува М. (июль 2005 г.). «TMBETA-NET: распознавание и предсказание мембранных бета-цепей в белках внешней мембраны» . Исследования нуклеиновых кислот . 33 (проблема с веб-сервером): W164–7. дои : 10.1093/nar/gki367 . ПМК   1160128 . ПМИД   15980447 .
  110. ^ Крог, Андерс; Ларссон, Бьорн; фон Хейне, Гуннар ; Зоннхаммер, Эрик Л.Л. (январь 2001 г.). «Прогнозирование топологии трансмембранного белка с помощью скрытой модели Маркова: применение для полных геномов». Журнал молекулярной биологии . 305 (3): 567–580. дои : 10.1006/jmbi.2000.4315 . ISSN   0022-2836 . ПМИД   11152613 .
  111. ^ Хофманн, К; Стоффель, В. (1993). «TMbase — база данных сегментов мембранных белков» (PDF) . Биол Хим Хоппе-Сейлер . 374 : 166.
  112. ^ Jump up to: а б Индио В., Мартелли П.Л., Савохардо С., Фариселли П., Касадио Р. (апрель 2013 г.). «Прогнозирование пептидов, нацеленных на органеллы, в эукариотических белках с грамматически ограниченными скрытыми условными случайными полями» . Биоинформатика . 29 (8): 981–8. doi : 10.1093/биоинформатика/btt089 . ПМИД   23428638 .
  113. ^ Jump up to: а б Савохардо К., Мартелли П.Л., Фариселли П., Касадио Р. (октябрь 2015 г.). «TPpred3 обнаруживает и различает митохондриальные и хлоропластические пептиды в эукариотических белках» . Биоинформатика . 31 (20): 3269–75. doi : 10.1093/биоинформатика/btv367 . ПМИД   26079349 .
  114. ^ Чжу Ф, Хан Б, Кумар П, Лю Х, Ма Х, Вэй Икс, Хуан Л, Го Ю, Хань Л, Чжэн С, Чэнь Ю (январь 2010 г.). «Обновление TTD: База данных терапевтических целей» . Исследования нуклеиновых кислот . 38 (Проблема с базой данных): D787–91. дои : 10.1093/нар/gkp1014 . ПМК   2808971 . ПМИД   19933260 .
  115. ^ Эллис Л.Б., Гао Дж., Феннер К., Уокетт Л.П. (июль 2008 г.). «Система прогнозирования путей Университета Миннесоты: прогнозирование метаболической логики» . Исследования нуклеиновых кислот . 36 (проблема с веб-сервером): W427–32. дои : 10.1093/нар/gkn315 . ПМЦ   2447765 . ПМИД   18524801 .
  116. ^ Хортон П., Парк К.Дж., Обаяши Т., Фудзита Н., Харада Х., Адамс-Коллиер С.Дж., Накаи К. (июль 2007 г.). «WoLF PSORT: предиктор локализации белка» . Исследования нуклеиновых кислот . 35 (проблема с веб-сервером): W585–7. дои : 10.1093/нар/gkm259 . ЧВК   1933216 . ПМИД   17517783 .
  117. ^ Бриземайстер С., Раненфюрер Дж., Кольбахер О. (июль 2010 г.). «YLoc — интерпретируемый веб-сервер для прогнозирования субклеточной локализации» . Исследования нуклеиновых кислот . 38 (проблема с веб-сервером): W497–502. дои : 10.1093/nar/gkq477 . ПМК   2896088 . ПМИД   20507917 .
  118. ^ Бланкафорт П., Магненат Л., Барбас К.Ф. (март 2003 г.). «Сканирование генома человека с помощью комбинаторных библиотек транскрипционных факторов». Природная биотехнология . 21 (3): 269–74. дои : 10.1038/nbt794 . ПМИД   12592412 . S2CID   9761535 .
  119. ^ Драйер Б., Фуллер Р.П., Сигал DJ, Лунд К.В., Бланкафорт П., Хубер А., Кокш Б., Барбас К.Ф. (октябрь 2005 г.). «Разработка доменов цинковых пальцев для распознавания последовательностей ДНК семейства 5'-CNN-3' и их использование в создании искусственных факторов транскрипции» . Журнал биологической химии . 280 (42): 35588–97. дои : 10.1074/jbc.M506654200 . ПМИД   16107335 .
  120. ^ Драйер Б., Сигал DJ, Barbas CF (ноябрь 2000 г.). «Понимание молекулярного распознавания последовательностей ДНК семейства 5'-GNN-3' доменами цинковых пальцев». Журнал молекулярной биологии . 303 (4): 489–502. дои : 10.1006/jmbi.2000.4133 . ПМИД   11054286 . S2CID   11263372 .
  121. ^ Манделл Дж.Г., Барбас К.Ф. (июль 2006 г.). «Инструменты цинковых пальцев: специальные ДНК-связывающие домены для факторов транскрипции и нуклеаз» . Исследования нуклеиновых кислот . 34 (проблема с веб-сервером): W516–23. дои : 10.1093/нар/gkl209 . ПМЦ   1538883 . ПМИД   16845061 .
  122. ^ Драйер Б., Берли Р.Р., Сигал DJ, Флиппин Дж.Д., Барбас К.Ф. (август 2001 г.). «Разработка доменов цинковых пальцев для распознавания последовательностей ДНК семейства 5'-ANN-3' и их использование в создании искусственных факторов транскрипции» . Журнал биологической химии . 276 (31): 29466–78. дои : 10.1074/jbc.M102604200 . ПМИД   11340073 .
  123. ^ Сигал DJ, Драйер Б., Бирли Р.Р., Барбас К.Ф. (март 1999 г.). «На пути к произвольному контролю экспрессии генов: отбор и создание доменов цинковых пальцев, распознающих каждую из целевых последовательностей ДНК 5'-GNN-3'» . Труды Национальной академии наук Соединенных Штатов Америки . 96 (6): 2758–63. Бибкод : 1999PNAS...96.2758S . дои : 10.1073/pnas.96.6.2758 . ПМК   15842 . ПМИД   10077584 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=List_of_protein_subcellular_localization_prediction_tools&oldid=1193143756"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: bab7000340b10fe4057f7f1cc546a5de__1704172860
URL1:https://arc.ask3.ru/arc/aa/ba/de/bab7000340b10fe4057f7f1cc546a5de.html
Заголовок, (Title) документа по адресу, URL1:
List of protein subcellular localization prediction tools - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)