Prediction of Protein Interdomain Linker Regions by a Nonstationary Hidden Markov Model
利用非平稳隐马尔可夫模型预测蛋白质结构域间连接区AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的非平稳隐马尔可夫模型用于蛋白质序列分区，未涉及经济时间序列、宏观预测或所列金融预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用非平稳隐马尔可夫模型预测蛋白质结构域间连接区
- 研究问题
- 如何利用氨基酸序列区分蛋白质连接区与非连接区，推断区域边界，并给出每个氨基酸属于连接区的概率？
- 方法与思路
- 作者构建非平稳隐马尔可夫模型，以序列上的连续潜变量表征区域类型，并用包含 Gibbs 抽样的 MCMC 进行贝叶斯估计。
- 材料陈述的贡献
- 摘要称，方法在依据 Pfam-A 标注的蛋白质序列中比更简单方法预测更好，同时输出逐个氨基酸的连接区归属概率。
- 阅读关注点
- 应核对潜变量如何影响氨基酸概率、边界的定义，以及标注资料、训练验证划分和预测比较采用的评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；验证设计、评价指标与数值未说明，所述预测优势不能推广至任意蛋白质。
原文摘要
Proteins have two types of regions: linker regions that connect active domains and nonlinker regions, which include domains and terminal residues. It is important to try to distinguish these regions using information in the sequence of amino acids that, when folded, form the protein. In this article we develop a nonstationary hidden Markov model to infer region boundaries. The approach is based on a latent variable defined on the sequence; this variable is a continuous index of the region type and affects the probabilities that specific amino acids will appear. We develop an efficient Bayesian estimate of the model using Markov chain Monte Carlo methods, particularly Gibbs sampling, to simulate the parameters from the posteriors. We apply our method to protein sequences with domains and interdomain linkers delineated using the Pfam-A database. The prediction results are superior to simpler methods. Importantly, our method estimates the probability that each amino acid belongs to a linker region, giving insight into the properties of interdomain linkers.