机构名称：
¥ 3.0
摘要。由于密码子字母的高变性，从密码子到氨基酸的映射是溢出的，这表明密码子空间可能具有更高的信息含量。嵌入密码子语言模型最近在各种下游任务中表现出成功。然而，磷酸化位点的预测模型，可以说是研究最多的翻译后修饰（PTM）和PTM位点，主要依赖于氨基酸级表示。这项工作引入了一种新的方法，通过通过近来开发的密码子语言模型的嵌入来预测磷酸化位点，该方法专门培训了蛋白质编码DNA序列。蛋白质序列首先精心映射到可靠的编码序列，并使用此编码器编码以生成密码子感知的嵌入。然后将这些嵌入与通过早期融合策略从蛋白质语言模型获得的氨基酸感知的嵌入整合。随后，从定义的窗框内的融合嵌入式形成了感兴趣的位点的窗口级表示。Convbigru网络提取物具有捕获窗口内近端残基之间的时空相关性，然后是基于高斯（Dog）小波范围函数的衍生物的Kolmogorov-Arnold网络（KAN），以产生该站点的预测推断。我们将整体模型配音为Calmphoskan。在独立测试中使用丝氨酸 - 硫代氨酸（合并）和酪氨酸测试集，Calmphoskan优于现有方法。此外，我们证明了该模型在预测蛋白质内在无序区域内的位点的有效性。总体而言，Calmphoskan成为蛋白质中一般磷酸材料的强大预测指标。Calmphoskan将很快公开发布。
多种抗原表位的计算预测
主要关键词
相关文件推荐
