机构名称：
¥ 1.0
了解蛋白-DNA结合的机制对于捕集基因调控至关重要。三维DNA结构（也称为DNA形状）在这些机制中起着关键作用。在这项研究中，我们提出了一种基于深度学习的方法，深度DNASHAPE，从根本上讲，通过准确地考虑扩展的弯曲区域的影响，无需进行广泛的分子模拟或结构生物学体验，从而改变了当前基于K-Mer的高通量预测DNA形状特征。通过使用深度DNASHAPE方法，可以以高通量方式预测DNA结构特征的任何长度和数量的DNA序列数量，从而了解序列序列区域中旋转区域对DNA结构的影响。深度dnashape方法可以使遥远区域对感兴趣区域的影响。我们的发现表明，核心靶标的DNA形状读数机制在数量地受到旋转区域的影响，包括扩展的旋转区域，为蛋白质-DNA结合的详细结构读数机制提供了宝贵的见解。此外，当将深度DNASHAPE产生的功能纳入机器学习模型中时，提高了模型预测准确性。共同，深层DNASHAPE可以用作多种与DNA结构相关研究的多功能和强大工具。
使用深度学习方法预测DNA结构
主要关键词
相关文件推荐
