Detail publikace

Predikce aktivních míst v proteinech pomocí S-transformace

KAŠPÁREK, J. MADĚRÁNKOVÁ, D. TKACZ, E.

Originální název

Protein Hotspot Prediction Using S-Transform

Český název

Predikce aktivních míst v proteinech pomocí S-transformace

Anglický název

Protein Hotspot Prediction Using S-Transform

Typ

článek v časopise

Jazyk

en

Originální abstrakt

Since experimental techniques of protein hotspot prediction are still financially extremely demanding and time consuming there is a strain to produce sufficiently reliable computational techniques for this particular task. We propose an algorithm based on Resonant Recognition Model relying heavily on signal processing techniques. Processed numerical signal is obtain solely form protein sequence using physical quantity EIIP. We therefore use no information of protein structure. The key element here is a time-frequency analysis tool – S-transform. This allows us to determine exact residues responsible for majority of performance on protein’s characteristic frequency. We achieve basic sensitivity of 85 % and PPV 49 %, while demanding very little computing resources, because simplicity is one of the biggest advantages of our approach.

Český abstrakt

Vzhledem k tomu, že experimentální techniky predikce proteinových aktivních míst jsou stále finančně velmi náročná a časově náročné je potřeba vyvinout dostatečně spolehlivé výpočetnímetody. Navrhujeme algoritmus založený na rezonanční rozpoznávání modelu spoléhat se těžce na zpracování signálu techniky. Zpracované číselné signál je získat výhradně tvoří proteinové sekvence pomocí fyzikální veličiny EIIP. Proto používáme žádné informace o struktuře bílkovin. Klíčovým prvkem je zde časově-frekvenční analýza nástroje - S-transformace. To nám umožňuje určit přesné zbytky jsou odpovědné za většinu výkonu na charakteristickou frekvenci bílkoviny. Dosahujeme základní citlivost 85% a PPV 49%, zatímco náročné velmi málo výpočetních zdrojů, protože jednoduchost je jedna z největších výhod našeho přístupu.

Anglický abstrakt

Since experimental techniques of protein hotspot prediction are still financially extremely demanding and time consuming there is a strain to produce sufficiently reliable computational techniques for this particular task. We propose an algorithm based on Resonant Recognition Model relying heavily on signal processing techniques. Processed numerical signal is obtain solely form protein sequence using physical quantity EIIP. We therefore use no information of protein structure. The key element here is a time-frequency analysis tool – S-transform. This allows us to determine exact residues responsible for majority of performance on protein’s characteristic frequency. We achieve basic sensitivity of 85 % and PPV 49 %, while demanding very little computing resources, because simplicity is one of the biggest advantages of our approach.

Klíčová slova

predikce aktivních míst proteinů, zpracování signálu, elektron-iontový interakční potenciál, rezonanční model proteinová sekvence, S-transformace, časově-frekvenční analýza

Rok RIV

2014

Vydáno

01.06.2014

Nakladatel

Springer International Publishing

Místo

Německo

Strany od

327

Strany do

336

Strany počet

11

BibTex


@article{BUT110406,
  author="Jan {Kašpárek} and Denisa {Maděránková} and Ewaryst {Tkacz}",
  title="Protein Hotspot Prediction Using S-Transform",
  annote="Since experimental techniques of protein hotspot prediction are still financially extremely demanding and time consuming there is a strain to produce sufficiently reliable computational techniques for this particular task. We propose an algorithm based on Resonant Recognition Model relying heavily on signal processing techniques. Processed numerical signal is obtain solely form protein sequence using physical quantity EIIP. We therefore use no information of protein structure. The key element here is a time-frequency analysis tool – S-transform. This allows us to determine exact residues responsible for majority of performance on protein’s characteristic frequency. We achieve basic sensitivity of 85 % and PPV 49 %, while demanding very little computing resources, because simplicity is one of the biggest advantages of our approach.",
  address="Springer International Publishing",
  chapter="110406",
  doi="10.1007/978-3-319-06593-9_29",
  howpublished="print",
  institution="Springer International Publishing",
  number="6",
  volume="283",
  year="2014",
  month="june",
  pages="327--336",
  publisher="Springer International Publishing",
  type="journal article"
}