CN109346125B - 一种快速精确的蛋白质绑定口袋结构对齐方法 - Google Patents

一种快速精确的蛋白质绑定口袋结构对齐方法 Download PDF

Info

Publication number
CN109346125B
CN109346125B CN201811024797.3A CN201811024797A CN109346125B CN 109346125 B CN109346125 B CN 109346125B CN 201811024797 A CN201811024797 A CN 201811024797A CN 109346125 B CN109346125 B CN 109346125B
Authority
CN
China
Prior art keywords
ali
init
new
protein binding
residue
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811024797.3A
Other languages
English (en)
Other versions
CN109346125A (zh
Inventor
胡俊
彭春祥
周晓根
张贵军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhaoji Biotechnology Co ltd
Shenzhen Xinrui Gene Technology Co ltd
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201811024797.3A priority Critical patent/CN109346125B/zh
Publication of CN109346125A publication Critical patent/CN109346125A/zh
Application granted granted Critical
Publication of CN109346125B publication Critical patent/CN109346125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

一种快速精确的蛋白质绑定口袋结构对齐方法，首先，通过计算蛋白质绑定口袋内部每个残基与其它残基在三维空间中的位置关系信息，组成该残基的特征向量；其次，通过比较两个来自不同蛋白质绑定口袋的残基的特征向量之间的相似性，构建蛋白质绑定口袋之间的打分矩阵；最后，使用贪心算法迭代地搜索蛋白质绑定口袋间的对齐信息。本发明提供一种计算代价低、对齐精确性高的蛋白质绑定口袋结构对齐方法。

Description

一种快速精确的蛋白质绑定口袋结构对齐方法
技术领域
本发明涉及生物学信息学及计算机应用领域，具体而言涉及一种快速精确的蛋白质绑定口袋结构对齐方法。
背景技术
蛋白质作为基因功能执行者，是构成生物细胞组织结构的重要组成成分，它调节和控制着细胞中不同类型的生命活动。为了完成上述功能，蛋白质需要和其它的配体分子产生相互作用，这种相互作用在生命活动中是普遍存在且不可或缺的。在和配体分子相互作用时，蛋白质中的一些关键氨基酸残基会形成一个类似于口袋形状的区域(称为蛋白质绑定口袋)，来完成对特定配体分子的识别与绑定。结构相似的蛋白质绑定口袋通常会绑定具有相似结构与性质的配体分子，来执行类似的生物功能。因此，通过两个不同蛋白质绑定口袋的结构对齐，来计算它们之间的相似性，有助于研究蛋白质的生物功能，且对新蛋白的设计、蛋白质与配体分子之间相互作用的建模及药物靶蛋白的设计均具有十分重要的指导意义。
目前，专门用于对齐蛋白质绑定口袋结构的计算方法还很欠缺。查阅文献可以发现，APoc(Gao M,Skolnick J.APoc:large-scale identification of similar proteinpockets[J].Bioinformatics,2013,29(5):597-604.)是近来最为优秀的蛋白质绑定口袋结构对齐方法。APoc首先使用TM-align等工具在蛋白质层次上来预估多个初始化的蛋白质绑定口袋对齐信息；然后，根据这些初始化对齐信息，APoc使用动态规划算法迭代地找到较好的蛋白质绑定口袋对齐信息；最后，使用最短增广路径算法来进一步地优化蛋白质绑定口袋结构的对齐结果。尽管APoc可以对齐两个蛋白质绑定口袋结构，但其从蛋白质层次出发来对齐两个蛋白质绑定口袋结构，使得APoc方法计算代价较大、对齐精度较低，远远不能满足实际应用的要求。
综上所述，现存的蛋白质绑定口袋结构对齐方法在计算代价、对齐精度方面，距离实际应用的要求还有很大差距，迫切地需要改进。
发明内容
为了克服现有的蛋白质绑定口袋结构对齐方法在计算代价、对齐精确性方面的不足，本发明提出一种计算代价低、对齐精确性高的蛋白质绑定口袋结构对齐方法。
本发明解决其技术问题所采用的技术方案是：
一种快速精确的蛋白质绑定口袋结构对齐方法，所述方法包括以下步骤：
1)输入待对齐的两个蛋白质绑定口袋结构信息，分别记作A和B；
2)分别抽取两个蛋白质绑定口袋中所有残基的中心碳原子Cα的坐标信息，记为
Figure BDA0001788235980000021
与
Figure BDA0001788235980000022
其中
Figure BDA0001788235980000023
与
Figure BDA0001788235980000024
分别表示A与B中的第i个与第j个残基的Cα的坐标信息，N与M分别是A与B的残基数目；
3)对PA中的每个元素
Figure BDA0001788235980000025
i∈{1,2,…,N}，计算它与PA中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA0001788235980000026
的特征向量，记作
Figure BDA0001788235980000027
其中K≤N且K≤M；
4)对PB中的每个元素
Figure BDA0001788235980000028
j∈{1,2,…,M}，计算它与PB中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA0001788235980000029
的特征向量，记作
Figure BDA00017882359800000210
其中K≤N且K≤M；
5)计算蛋白质绑定口袋A与B的初始化的打分矩阵，记作Minit：
Figure BDA00017882359800000211
其中，
Figure BDA00017882359800000212
表示
Figure BDA00017882359800000213
中的第k个元素，
Figure BDA00017882359800000214
表示
Figure BDA00017882359800000215
中的第k个元素，Minit(i,j)表示矩阵Minit中的第i行第j列中的值；
6)使用贪心算法在初始化打分矩阵Minit上搜索一个初始化的残基对齐信息，记作Aliinit，其中打分矩阵Minit中的任意一行或一列至多只能有一个元素被贪心算法选中，且贪心算法每次都会选择Minit中可选元素中的最大值，若Minit中第i行第j列元素被选中，则表明在Aliinit中A的第i个残基与B的第j个残基是对齐的；
7)根据Aliinit信息，使用Kabsch算法计算A与B已对齐残基的Cα坐标之间的旋转平移矩阵，并使用该旋转平移矩阵叠加A与B的结构，使得A与B尽可能的重叠，再通过下式计算得到一个新的打分矩阵，记作Mnew：
Figure BDA0001788235980000031
其中，
Figure BDA0001788235980000032
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过旋转平移后的欧氏距离，Mnew(i,j)表示矩阵Mnew中的第i行第j列中的值；
8)使用贪心算法在新的打分矩阵Mnew上搜索一个新的残基对齐信息，记作Alinew，如果Alinew与Aliinit一致，将Alinew作为最终的对齐信息Alifinal，否则使用Alinew更新Aliinit，然后返回步骤7)。
进一步，所述步骤8)中，将Alinew作为最终的对齐信息Alifinal，根据Alifinal，计算蛋白质绑定口袋A和B的结构相似性，记作Sim：
Figure BDA0001788235980000033
其中，(i,j)表示A的第i个残基与B的第j个残基在Alifinal中是对齐的，
Figure BDA0001788235980000034
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过与Alifinal对应的旋转平移后的欧氏距离，
Figure BDA0001788235980000035
为尺度函数，a、b、c均为参数。
本发明的技术构思为：首先，通过计算蛋白质绑定口袋内部每个残基与其它残基在三维空间中的位置关系信息，组成该残基的特征向量；其次，通过比较两个来自不同蛋白质绑定口袋的残基的特征向量之间的相似性，构建蛋白质绑定口袋之间的打分矩阵；最后，使用贪心算法迭代地搜索蛋白质绑定口袋间的对齐信息，并根据蛋白质绑定口袋间的对齐信息，给出两个蛋白质绑定口袋之间的结构相似性度量值。本发明提供一种计算代价低、对齐精确性高的蛋白质绑定口袋结构对齐方法。
本发明的有益效果表现在：一方面，直接从蛋白质绑定口袋的结构信息出发，减少了需处理的信息量，增加了计算效率；另一方面，使用了贪心算法迭代地搜索蛋白质绑定口袋的对齐信息，提高了蛋白质绑定口袋结构相似性度量的准确性。
附图说明
图1为一种快速精确的蛋白质绑定口袋结构对齐方法的示意图。
图2为使用一种快速精确的蛋白质绑定口袋结构对齐方法对蛋白质1HA3A与配体分子GDP的绑定口袋和蛋白质3EC1与配体分子GDP的绑定口袋进行结构对齐后，得到的三维结构图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种快速精确的蛋白质绑定口袋结构对齐方法，包括以下步骤：
1)输入待对齐的两个蛋白质绑定口袋结构信息，分别记作A和B；
2)分别抽取两个蛋白质绑定口袋中所有残基的中心碳原子Cα的坐标信息，记为
Figure BDA0001788235980000041
与
Figure BDA0001788235980000042
其中
Figure BDA0001788235980000043
与
Figure BDA0001788235980000044
分别表示A与B中的第i个与第j个残基的Cα的坐标信息，N与M分别是A与B的残基数目；
3)对PA中的每个元素
Figure BDA0001788235980000045
i∈{1,2,…,N}，计算它与PA中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA0001788235980000046
的特征向量，记作
Figure BDA0001788235980000047
其中K≤N且K≤M；
4)对PB中的每个元素
Figure BDA0001788235980000048
j∈{1,2,…,M}，计算它与PB中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA0001788235980000049
的特征向量，记作
Figure BDA00017882359800000410
其中K≤N且K≤M；
5)计算蛋白质绑定口袋A与B的初始化的打分矩阵，记作Minit：
Figure BDA00017882359800000411
其中，
Figure BDA00017882359800000412
表示
Figure BDA00017882359800000413
中的第k个元素，
Figure BDA00017882359800000414
表示
Figure BDA00017882359800000415
中的第k个元素，Minit(i,j)表示矩阵Minit中的第i行第j列中的值；
6)使用贪心算法在初始化打分矩阵Minit上搜索一个初始化的残基对齐信息，记作Aliinit，其中打分矩阵Minit中的任意一行或一列至多只能有一个元素被贪心算法选中，且贪心算法每次都会选择Minit中可选元素中的最大值，若Minit中第i行第j列元素被选中，则表明在Aliinit中A的第i个残基与B的第j个残基是对齐的；
7)根据Aliinit信息，使用Kabsch算法计算A与B已对齐残基的Cα坐标之间的旋转平移矩阵，并使用该旋转平移矩阵叠加A与B的结构，使得A与B尽可能的重叠，再通过下式计算得到一个新的打分矩阵，记作Mnew：
Figure BDA0001788235980000051
其中，
Figure BDA0001788235980000052
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过旋转平移后的欧氏距离，Mnew(i,j)表示矩阵Mnew中的第i行第j列中的值；
8)使用贪心算法在新的打分矩阵Mnew上搜索一个新的残基对齐信息，记作Alinew，如果Alinew与Aliinit一致，将Alinew作为最终的对齐信息Alifinal，否则使用Alinew更新Aliinit，然后返回步骤7)。
进一步，所述步骤8)中，将Alinew作为最终的对齐信息Alifinal，根据Alifinal，计算蛋白质绑定口袋A和B的结构相似性，记作Sim：
Figure BDA0001788235980000053
其中，(i,j)表示A的第i个残基与B的第j个残基在Alifinal中是对齐的，
Figure BDA0001788235980000054
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过与Alifinal对应的旋转平移后的欧氏距离，
Figure BDA0001788235980000055
为尺度函数，a、b、c均为参数。
本实施例以对齐蛋白质1HA3A与配体分子GDP的绑定口袋和蛋白质3EC1与配体分子GDP的绑定口袋为实施例，一种快速精确的蛋白质绑定口袋结构对齐方法，包括以下步骤：
1)输入待对齐的两个蛋白质绑定口袋结构信息，分别记作A和B；
2)分别抽取两个蛋白质绑定口袋中所有残基的中心碳原子Cα的坐标信息，记为
Figure BDA0001788235980000056
与
Figure BDA0001788235980000057
其中
Figure BDA0001788235980000058
与
Figure BDA0001788235980000059
分别表示A与B中的第i个与第j个残基的Cα的坐标信息，N与M分别是A与B的残基数目；
3)对PA中的每个元素
Figure BDA00017882359800000510
i∈{1,2,…,N}，计算它与PA中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA00017882359800000511
的特征向量，记作
Figure BDA00017882359800000512
其中K为N、M和3中最小的数；
4)对PB中的每个元素
Figure BDA00017882359800000513
j∈{1,2,…,M}，计算它与PB中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure BDA00017882359800000514
的特征向量，记作
Figure BDA00017882359800000515
其中K≤N且K≤M；
5)计算蛋白质绑定口袋A与B的初始化的打分矩阵，记作Minit：
Figure BDA0001788235980000061
其中，
Figure BDA0001788235980000062
表示
Figure BDA0001788235980000063
中的第k个元素，
Figure BDA0001788235980000064
表示
Figure BDA0001788235980000065
中的第k个元素，Minit(i,j)表示矩阵Minit中的第i行第j列中的值；
6)使用贪心算法在初始化打分矩阵Minit上搜索一个初始化的残基对齐信息，记作Aliinit，其中打分矩阵Minit中的任意一行或一列至多只能有一个元素被贪心算法选中，且贪心算法每次都会选择Minit中可选元素中的最大值，若Minit中第i行第j列元素被选中，则表明在Aliinit中A的第i个残基与B的第j个残基是对齐的；
7)根据Aliinit信息，使用Kabsch算法计算A与B已对齐残基的Cα坐标之间的旋转平移矩阵，并使用该旋转平移矩阵叠加A与B的结构，使得A与B尽可能的重叠，再通过下式计算得到一个新的打分矩阵，记作Mnew：
Figure BDA0001788235980000066
其中，
Figure BDA0001788235980000067
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过旋转平移后的欧氏距离，Mnew(i,j)表示矩阵Mnew中的第i行第j列中的值；
8)使用贪心算法在新的打分矩阵Mnew上搜索一个新的残基对齐信息，记作Alinew，如果Alinew与Aliinit一致，将Alinew作为最终的对齐信息Alifinal，否则使用Alinew更新Aliinit，然后返回步骤7)。
进一步，所述步骤8)中，将Alinew作为最终的对齐信息Alifinal，根据Alifinal，计算蛋白质绑定口袋A和B的结构相似性，记作Sim：
Figure BDA0001788235980000068
其中，(i,j)表示A的第i个残基与B的第j个残基在Alifinal中是对齐的，
Figure BDA0001788235980000069
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过与Alifinal对应的旋转平移后的欧氏距离，
Figure BDA00017882359800000610
为尺度函数，a、b、c分别为0.32、2、0.6。
以对齐蛋白质1HA3A与配体分子GDP的绑定口袋和蛋白质3EC1与配体分子GDP的绑定口袋为实施例，运用以上方法得到了这两个蛋白质绑定口袋的对齐信息，它们之间的结构相似性Sim为0.68，对齐结构如图2所示。
以上说明是本发明以对齐蛋白质1HA3A与配体分子GDP的绑定口袋和蛋白质3EC1与配体分子GDP的绑定口袋为实例所得出的对齐结果，并非限定本发明的实施范围，在不偏离本发明基本内容所涉及范围的前提下对其做各种变形和改进，不应排除在本发明的保护范围之外。

Claims (2)

1.一种快速精确的蛋白质绑定口袋结构对齐方法，其特征在于，所述对齐方法包括以下步骤：
1)输入待对齐的两个蛋白质绑定口袋结构信息，分别记作A和B；
2)分别抽取两个蛋白质绑定口袋中所有残基的中心碳原子Cα的坐标信息，记为
Figure FDA0002971062560000011
与
Figure FDA0002971062560000012
其中
Figure FDA0002971062560000013
与
Figure FDA0002971062560000014
分别表示A与B中的第i个与第j个残基的Cα的坐标信息，N与M分别是A与B的残基数目；
3)对PA中的每个元素
Figure FDA0002971062560000015
计算它与PA中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure FDA0002971062560000016
的特征向量，记作
Figure FDA0002971062560000017
其中K≤N且K≤M；
4)对PB中的每个元素
Figure FDA0002971062560000018
计算它与PB中其它元素的欧氏距离，并将这些距离值按照从小到大排序，选择最小的K个值作为元素
Figure FDA0002971062560000019
的特征向量，记作
Figure FDA00029710625600000110
其中K≤N且K≤M；
5)计算蛋白质绑定口袋A与B的初始化的打分矩阵，记作Minit：
Figure FDA00029710625600000111
其中，
Figure FDA00029710625600000112
表示
Figure FDA00029710625600000113
中的第k个元素，
Figure FDA00029710625600000114
表示
Figure FDA00029710625600000115
中的第k个元素，Minit(i,j)表示矩阵Minit中的第i行第j列中的值；
6)使用贪心算法在初始化打分矩阵Minit上搜索一个初始化的残基对齐信息，记作Aliinit，其中打分矩阵Minit中的任意一行或一列至多只能有一个元素被贪心算法选中，且贪心算法每次都会选择Minit中可选元素中的最大值，若Minit中第i行第j列元素被选中，则表明在Aliinit中A的第i个残基与B的第j个残基是对齐的；
7)根据Aliinit信息，使用Kabsch算法计算A与B已对齐残基的Cα坐标之间的旋转平移矩阵，并使用该旋转平移矩阵叠加A与B的结构，使得A与B重叠，再通过下式计算得到一个新的打分矩阵，记作Mnew：
Figure FDA0002971062560000021
其中，
Figure FDA0002971062560000022
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过旋转平移后的欧氏距离，Mnew(i,j)表示矩阵Mnew中的第i行第j列中的值；
8)使用贪心算法在新的打分矩阵Mnew上搜索一个新的残基对齐信息，记作Alinew，如果Alinew与Aliinit一致，将Alinew作为最终的对齐信息Alifinal，否则使用Alinew更新Aliinit，然后返回步骤7)。
2.如权利要求1所述的一种快速精确的蛋白质绑定口袋结构对齐方法，其特征在于，所述步骤8)中，将Alinew作为最终的对齐信息Alifinal，根据Alifinal，计算蛋白质绑定口袋A和B的结构相似性，记作Sim：
Figure FDA0002971062560000023
其中，(i,j)表示A的第i个残基与B的第j个残基在Alifinal中是对齐的，
Figure FDA0002971062560000024
表示A中第i个残基的Cα原子与B中第j个残基的Cα原子经过与Alifinal对应的旋转平移后的欧氏距离，
Figure FDA0002971062560000025
为尺度函数，a、b、c均为参数。
CN201811024797.3A 2018-09-04 2018-09-04 一种快速精确的蛋白质绑定口袋结构对齐方法 Active CN109346125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811024797.3A CN109346125B (zh) 2018-09-04 2018-09-04 一种快速精确的蛋白质绑定口袋结构对齐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811024797.3A CN109346125B (zh) 2018-09-04 2018-09-04 一种快速精确的蛋白质绑定口袋结构对齐方法

Publications (2)

Publication Number Publication Date
CN109346125A CN109346125A (zh) 2019-02-15
CN109346125B true CN109346125B (zh) 2021-08-03

Family

ID=65296956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811024797.3A Active CN109346125B (zh) 2018-09-04 2018-09-04 一种快速精确的蛋白质绑定口袋结构对齐方法

Country Status (1)

Country Link
CN (1) CN109346125B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120244B (zh) * 2019-03-28 2021-02-26 浙江工业大学 一种基于接触图的蛋白质结构比对方法
CN111180006B (zh) * 2019-11-28 2021-08-03 浙江工业大学 一种基于能量函数的模板口袋搜索方法
CN114120006B (zh) * 2020-08-28 2024-02-06 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备和计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500292A (zh) * 2013-09-27 2014-01-08 南京理工大学 配体特异性蛋白质-配体绑定区域预测方法
CN104615911A (zh) * 2015-01-12 2015-05-13 上海交通大学 基于稀疏编码及链学习预测膜蛋白beta-barrel跨膜区域的方法
CN107111691A (zh) * 2014-10-27 2017-08-29 阿卜杜拉国王科技大学 识别配体‑蛋白质结合位点的方法和系统
CN108334748A (zh) * 2018-01-16 2018-07-27 华中科技大学 一种rna结构比对方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10522239B2 (en) * 2012-12-05 2019-12-31 Nymirum, Inc. Small molecule binding pockets in nucleic acids

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500292A (zh) * 2013-09-27 2014-01-08 南京理工大学 配体特异性蛋白质-配体绑定区域预测方法
CN107111691A (zh) * 2014-10-27 2017-08-29 阿卜杜拉国王科技大学 识别配体‑蛋白质结合位点的方法和系统
CN104615911A (zh) * 2015-01-12 2015-05-13 上海交通大学 基于稀疏编码及链学习预测膜蛋白beta-barrel跨膜区域的方法
CN108334748A (zh) * 2018-01-16 2018-07-27 华中科技大学 一种rna结构比对方法

Also Published As

Publication number Publication date
CN109346125A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109346125B (zh) 一种快速精确的蛋白质绑定口袋结构对齐方法
Shen et al. Critical evaluation of web-based prediction tools for human protein subcellular localization
Govindan et al. Composition, Transition and Distribution (CTD)—a dynamic feature for predictions based on hierarchical structure of cellular sorting
CN107491664B (zh) 一种基于信息熵的蛋白质结构从头预测方法
Villegas-Morcillo et al. Protein fold recognition from sequences using convolutional and recurrent neural networks
Liu et al. Improving protein fold recognition using triplet network and ensemble deep learning
CN107526939B (zh) 一种快速小分子结构对齐方法
Gao et al. Predicting the errors of predicted local backbone angles and non-local solvent-accessibilities of proteins by deep neural networks
CN112365921B (zh) 一种基于长短时记忆网络的蛋白质二级结构预测方法
Comin et al. PROuST: a comparison method of three-dimensional structures of proteins using indexing techniques
Yue et al. A systematic review on the state-of-the-art strategies for protein representation
Wang et al. Two new heuristic methods for protein model quality assessment
CN103778182A (zh) 一种快速图形相似度判别方法
CN109243527A (zh) 一种酶切概率辅助的肽段可检测性预测方法
El-Lakkani et al. An efficient numerical method for protein sequences similarity analysis based on a new two-dimensional graphical representation
CN112216345B (zh) 一种基于迭代搜索策略的蛋白质溶剂可及性预测方法
CN110120244B (zh) 一种基于接触图的蛋白质结构比对方法
CN109273048B (zh) 一种蛋白质表面残基的快速确定方法
Wang et al. Reconstruction of Protein Backbone with the alpha-Carbon Coordinates.
Chen et al. FFF: Fragment-Guided Flexible Fitting for Building Complete Protein Structures
Dotan et al. Effect of tokenization on transformers for biological sequences
Gudodagi et al. Investigations and Compression of Genomic Data
Bhattacharya et al. Contact-Assisted Threading in Low-Homology Protein Modeling
Lu et al. Analysis of a drug target-based classification system using molecular descriptors
Muhamad et al. Reducing the Search Space and Time Complexity of Needleman-Wunsch Algorithm (Global Alignment) and Smith-Waterman Algorithm (Local Algorithm) for DNA Sequence Alignment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231218

Address after: 518054, D1101, Building 4, Software Industry Base, No. 19, 17, and 18 Haitian 1st Road, Binhai Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Xinrui Gene Technology Co.,Ltd.

Address before: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD.

Effective date of registration: 20231218

Address after: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD.

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: JIANG University OF TECHNOLOGY

TR01 Transfer of patent right