文献

J-GLOBAL ID：201702226611836539   整理番号：17A0412236

サポートベクトルマシンを用いた蛋白質配列からの糖結合残基予測システムの開発【Powered by NICT】

Development of a sugar-binding residue prediction system from protein sequences using support vector machine

著者 (9件)： Banno Masaki (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Komiyama Yusuke (Digital Content and Media Sciences Research Division, National Institute of Informatics, 2-1-2 Hitotsubashi, Chiyoda-Ward, Tokyo 101-8430, Japan) ,  Cao Wei (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Oku Yuya (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Ueki Kokoro (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Sumikoshi Kazuya (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Nakamura Shugo (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Terada Tohru (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan) ,  Shimizu Kentaro (Graduate School of Agricultural and Life Sciences, The University of Tokyo, 1-1-1 Yayoi, Bunkyo-Ward, Tokyo 113-8657, Japan)
資料名： Computational Biology and Chemistry  (Computational Biology and Chemistry)
巻： 66  ページ： 36-43  発行年： 2017年 
JST資料番号： H0201B  ISSN： 1476-9271  CODEN： COCHDK  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： いくつかの方法は,機械学習アルゴリズムを用いた蛋白質-糖結合部位予測のための提案されている。しかし,それらは蛋白質と糖の間の種々の相互作用により引起された結合部位残基の種々の特性を学習するために効果的ではない。本研究では,糖酸性および非酸性糖に分類し,それらの結合部位は異なるアミノ酸発生頻度を持つことを示した。この結果を用いて,糖酸糖結合予測器と非酸性糖結合予測因子の二クラスに特化した糖結合残基予測因子を開発した。も二予測因子の結果を組み合わせた組合せ予測因子を開発した。酸性糖であることが知られている糖,酸性糖結合予測因子が最良の性能を達成することを示し,糖は非酸性糖であることが知られている二クラスのいずれかであることが知られてない場合,併用予測因子が最良の性能を達成することを示した。著者らの方法は予測のためのアミノ酸配列を用いた。サポートベクトルマシンは,機械学習アルゴリズムとして使用し,位置特異的反復基礎の局所配列検索ツールにより生成された位置特異的スコアリングマトリックスを特徴ベクトルとして用いた。五倍交差検証を用いて予測性能を評価した。はこのシステムを開始した,GitHubリポジトリ(https://doi.org/10.5281/zenodo.61513)上のオープンソースフリーウエアのツールとしても使用した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 学習アルゴリズム ,  酸性 ,  タンパク質 ,  結合部位 ,  リポジトリ ,  アミノ酸 ,  アミノ酸配列 ,  糖酸 ,  *サポートベクトルマシン ,  特徴ベクトル ,  予測因子 ,  予測システム
準シソーラス用語： 予測性能 ,  予測器 ,  *残基 , 【Automatic Indexing@JST】

著者キーワード (5件)： サポートベクトルマシン ,  糖結合蛋白質 ,  糖結合残基予測 ,  炭水化物 ,  機械学習

分類 (1件)： 分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (5件)： サポートベクトルマシン ,  蛋白質配列 ,  糖 ,  予測システム ,  開発