Comparative analysis of nuclear localization signal (NLS) prediction methods

Comparative analysis of nuclear localization signal (NLS) prediction methods

Aim. Comparative analysis of six state-of-the-art nuclear localization signal (NLS) prediction methods (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport and seqNLS). Methods. Each program was tested for correct predictions using a dataset of 155 experimentally determined NLSs and for false-posi...

Повний опис

Збережено в:
Бібліографічні деталі
Опубліковано в: :Вiopolymers and Cell
Дата:2017
Автори: Lisitsyna, O.M., Seplyarskiy, V.B., Sheval, E.V.
Формат: Стаття
Мова:English
Опубліковано: Інститут молекулярної біології і генетики НАН України 2017
Теми:
Bioinformatics
Онлайн доступ:https://nasplib.isofts.kiev.ua/handle/123456789/152918
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Comparative analysis of nuclear localization signal (NLS) prediction methods / O.M. Lisitsyna, V.B. Seplyarskiy, E.V. Sheval // Вiopolymers and Cell. — 2017. — Т. 33, № 2. — С. 147-154. — Бібліогр.: 28 назв. — англ.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-152918
record_format dspace
spelling Lisitsyna, O.M.
Seplyarskiy, V.B.
Sheval, E.V.
2019-06-13T10:14:17Z
2019-06-13T10:14:17Z
2017
Comparative analysis of nuclear localization signal (NLS) prediction methods / O.M. Lisitsyna, V.B. Seplyarskiy, E.V. Sheval // Вiopolymers and Cell. — 2017. — Т. 33, № 2. — С. 147-154. — Бібліогр.: 28 назв. — англ.
0233-7657
DOI: http://dx.doi.org/10.7124/bc.00094C
https://nasplib.isofts.kiev.ua/handle/123456789/152918
577.112
Aim. Comparative analysis of six state-of-the-art nuclear localization signal (NLS) prediction methods (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport and seqNLS). Methods. Each program was tested for correct predictions using a dataset of 155 experimentally determined NLSs and for false-positives using a dataset of 155 transmembrane proteins, which putatively lack NLS. Results. The most suitable NLS predictors wer fond to be NucPred, NLStradamus and seqNLS; these programs provide the maximum rate of correct to wrong predictions among the tested programs. However, the best results obtained by these programs were only ~ 45 % of the correct predictions. Conclusion. The identification of novel NLSs by predictors still requires experimental verification.
Мета. Ідентифікація сигналів ядерної локалізації (NLS) в амінокислотній послідовності білків за допомогою експериментальних методів залишається коштовним і тривалис процесом. Тому в останній час велику популярність отримали комп'ютерні методи прогнозування NLS. Методи. В даній статті ми провели порівняльний аналіз достовірності прогнозування NLS шести різних програм (PSORT II, ​​NucPred, cNLSMapper, NLStradamus, NucImport та SeqNLS). Для кожного алгоритма було оцінена доля істинно позитивних прогнозів на вибірки з 155 експериментально визначених NLS з 128 білків людини, а також частку помилкових подій у вибірці з 155 трансмембранних білків людини, які, як видно, позбавлені NLS. Результати. Найбільшу кількість вірно прогнозованих NLS при найменшій частці хибнопозитивних результатів було отримано для трьох програм: NucPred, NLStradamus та seqNLS. Однак навіть при набільшій ступені достовірності дані алгоритми прогнозують вірно не більше 45 % експериментально визначених NLS. Висновки. Використання будь-яких алгоритмів прогнозування NLS вимагає експериментальної перевірки отриманих результатів.
Цель. Идентификация сигналов ядерной локализации (NLS) в аминокислотной последовательности белка экспериментальными методами остается дорогостоящим и долгим процессом. Поэтому в последнее время большую популярность получили компьютерные методы предсказания NLS. Методы. В данной статье мы провели сравнительный анализ достоверности предсказания NLS шести различных программ (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport и SeqNLS). Для каждого алгоритма была оценена доля истинно положительных предсказаний на выборке из 155 экспериментально определенных NLS из 128 человеческих белков, а также доля ложноположительных предсказаний на выборке из 155 трансмембранных белков человека, которые, предположительно, лишены NLS. Наибольшее количество правильно предсказанных NLS при наименьшей доле ложноположительных результатов было получено для трех программ: NucPred, NLStradamus и seqNLS. Однако даже при наибольшей степени достоверности данные алгоритмы предсказывают правильно не более 45% экспериментально определенных NLS, т.е. использование любых алгоритмов предсказания NLS требует экспериментальной проверки получаемых результатов.
The work was supported by the Russian Science Foundation (project 14-15-00199).
en
Інститут молекулярної біології і генетики НАН України
Вiopolymers and Cell
Bioinformatics
Comparative analysis of nuclear localization signal (NLS) prediction methods
Порівняльний аналіз методів передбачення сигналів ядерної локалізації (NLS)
Сравнительный анализ методов предсказания сигналов ядерной локализации (NLS)
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Comparative analysis of nuclear localization signal (NLS) prediction methods
spellingShingle Comparative analysis of nuclear localization signal (NLS) prediction methods
Lisitsyna, O.M.
Seplyarskiy, V.B.
Sheval, E.V.
Bioinformatics
title_short Comparative analysis of nuclear localization signal (NLS) prediction methods
title_full Comparative analysis of nuclear localization signal (NLS) prediction methods
title_fullStr Comparative analysis of nuclear localization signal (NLS) prediction methods
title_full_unstemmed Comparative analysis of nuclear localization signal (NLS) prediction methods
title_sort comparative analysis of nuclear localization signal (nls) prediction methods
author Lisitsyna, O.M.
Seplyarskiy, V.B.
Sheval, E.V.
author_facet Lisitsyna, O.M.
Seplyarskiy, V.B.
Sheval, E.V.
topic Bioinformatics
topic_facet Bioinformatics
publishDate 2017
language English
container_title Вiopolymers and Cell
publisher Інститут молекулярної біології і генетики НАН України
format Article
title_alt Порівняльний аналіз методів передбачення сигналів ядерної локалізації (NLS)
Сравнительный анализ методов предсказания сигналов ядерной локализации (NLS)
description Aim. Comparative analysis of six state-of-the-art nuclear localization signal (NLS) prediction methods (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport and seqNLS). Methods. Each program was tested for correct predictions using a dataset of 155 experimentally determined NLSs and for false-positives using a dataset of 155 transmembrane proteins, which putatively lack NLS. Results. The most suitable NLS predictors wer fond to be NucPred, NLStradamus and seqNLS; these programs provide the maximum rate of correct to wrong predictions among the tested programs. However, the best results obtained by these programs were only ~ 45 % of the correct predictions. Conclusion. The identification of novel NLSs by predictors still requires experimental verification. Мета. Ідентифікація сигналів ядерної локалізації (NLS) в амінокислотній послідовності білків за допомогою експериментальних методів залишається коштовним і тривалис процесом. Тому в останній час велику популярність отримали комп'ютерні методи прогнозування NLS. Методи. В даній статті ми провели порівняльний аналіз достовірності прогнозування NLS шести різних програм (PSORT II, ​​NucPred, cNLSMapper, NLStradamus, NucImport та SeqNLS). Для кожного алгоритма було оцінена доля істинно позитивних прогнозів на вибірки з 155 експериментально визначених NLS з 128 білків людини, а також частку помилкових подій у вибірці з 155 трансмембранних білків людини, які, як видно, позбавлені NLS. Результати. Найбільшу кількість вірно прогнозованих NLS при найменшій частці хибнопозитивних результатів було отримано для трьох програм: NucPred, NLStradamus та seqNLS. Однак навіть при набільшій ступені достовірності дані алгоритми прогнозують вірно не більше 45 % експериментально визначених NLS. Висновки. Використання будь-яких алгоритмів прогнозування NLS вимагає експериментальної перевірки отриманих результатів. Цель. Идентификация сигналов ядерной локализации (NLS) в аминокислотной последовательности белка экспериментальными методами остается дорогостоящим и долгим процессом. Поэтому в последнее время большую популярность получили компьютерные методы предсказания NLS. Методы. В данной статье мы провели сравнительный анализ достоверности предсказания NLS шести различных программ (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport и SeqNLS). Для каждого алгоритма была оценена доля истинно положительных предсказаний на выборке из 155 экспериментально определенных NLS из 128 человеческих белков, а также доля ложноположительных предсказаний на выборке из 155 трансмембранных белков человека, которые, предположительно, лишены NLS. Наибольшее количество правильно предсказанных NLS при наименьшей доле ложноположительных результатов было получено для трех программ: NucPred, NLStradamus и seqNLS. Однако даже при наибольшей степени достоверности данные алгоритмы предсказывают правильно не более 45% экспериментально определенных NLS, т.е. использование любых алгоритмов предсказания NLS требует экспериментальной проверки получаемых результатов.
issn 0233-7657
url https://nasplib.isofts.kiev.ua/handle/123456789/152918
citation_txt Comparative analysis of nuclear localization signal (NLS) prediction methods / O.M. Lisitsyna, V.B. Seplyarskiy, E.V. Sheval // Вiopolymers and Cell. — 2017. — Т. 33, № 2. — С. 147-154. — Бібліогр.: 28 назв. — англ.
work_keys_str_mv AT lisitsynaom comparativeanalysisofnuclearlocalizationsignalnlspredictionmethods
AT seplyarskiyvb comparativeanalysisofnuclearlocalizationsignalnlspredictionmethods
AT shevalev comparativeanalysisofnuclearlocalizationsignalnlspredictionmethods
AT lisitsynaom porívnâlʹniianalízmetodívperedbačennâsignalívâdernoílokalízacíínls
AT seplyarskiyvb porívnâlʹniianalízmetodívperedbačennâsignalívâdernoílokalízacíínls
AT shevalev porívnâlʹniianalízmetodívperedbačennâsignalívâdernoílokalízacíínls
AT lisitsynaom sravnitelʹnyianalizmetodovpredskazaniâsignalovâdernoilokalizaciinls
AT seplyarskiyvb sravnitelʹnyianalizmetodovpredskazaniâsignalovâdernoilokalizaciinls
AT shevalev sravnitelʹnyianalizmetodovpredskazaniâsignalovâdernoilokalizaciinls
first_indexed 2025-11-30T09:50:55Z
last_indexed 2025-11-30T09:50:55Z
_version_ 1850857087543803904

Схожі ресурси