Scientific Reports （IF=4.379） 2021-06-15

美国卫奇塔州立大学 Dukka B. KC课题组

蛋白质磷酸化是最重要的翻译后修饰 (Post-translational modifications, PTM) 之一，是参与细胞调节的重要过程。基于深度学习方法，该研究提出了一种新的莱茵衣藻生物特异性蛋白磷酸化位点预测方法。使用卷积神经网络(Convolutional neural networks) 和长短期记忆 (Long short-term memory,LSTM)相结合的集成模型在预测莱茵衣藻磷酸化位点方面取得了较好的效果。将理论预测值与液质色谱联用法（liquid chromatography-tandem mass spectrometry (LC–MS/MS)）鉴定的亚磷酸盐实验数据集进行了比较，机器深度学习法成功预测了莱茵衣藻2,663个丝氨酸(S)和苏氨酸(T)位点中的89.69%，而且实验组蛋白序列中未出现磷酸化位点的位置，在机器深度学习法预测数据中也没出现，说明了该机器深度学习法具有较高的可靠性，这将有助于理解蛋白质磷酸化如何影响莱茵衣藻各种生物学过程。

原文及链接：A deep learning based approach for prediction of Chlamydomonas reinhardtii phosphorylation sites.

https://doi.org/10.1038/s41598-021-91840-w