双分子荧光互补-武汉贝科新肽科技公司

蛋白质序列特征：

利用改进型伪氨基酸组成法（PseAAC）、伪位置特异性得分矩阵法（PsePSSM）和三联体编码法（CT）对蛋白质序列进行特征提取，并将这三种方法得到的特征向量进行融合，以得到一个全新的蛋白质序列特征表达模型，然后输入到堆栈式降噪自编码器（SDAE）深度网络里自动学习更有效的特征表示，选用 Softmax 回归分类器进行亚细胞的分类预测，可有效提高蛋白质亚细胞定位预测的准确性。

利用 PSI-BLAST 工具搜索蛋白质序列，提取位点特异性谱中的位点特异性得分矩阵作为蛋白质的一类特征，并计算 4 等分序列的氨基酸含量以及 1～7 阶二肽含量作为另外两类特征，由这三类特征一共得到蛋白质序列的 12 个特征向量。通过设计一个简单加权函数对各类特征向量加权处理，作为神经网络预测器的输入，可提高蛋白质亚细胞定位预测的精度。

禾谷菌 CgRab5A 的亚细胞定位研究：刘涵等人利用多片段一步法将 CgRab5A 自身启动子、GFP 片段和 CgRab5A 开放阅读框（ORF）片段到 pKNT 载体上，转化型禾谷菌的原生质体后，通过共聚焦显微镜观察 GFP-CgRab5A 在菌丝和孢子内的定位情况。结果表明，GFP-CgRab5A 在菌丝和孢子细胞内均呈点状分布，定位于早期内涵体上。

水稻 OsUF 的亚细胞定位：丁作美等人通过得到水稻 E3 泛素连接酶 — 泛素融合蛋白（OsUF）基因的 cDNA 序列，并利用 Gateway 同源重组体系将 OsUF cDNA 全长重组到融合表达绿色荧光蛋白（GFP）的表达载体上，通过农杆菌介导的烟草瞬时表达系统进行亚细胞定位。结果显示，OsUF 蛋白定位在细胞核。

标准分类器在蛋白质亚细胞定位中的评估：Debasish Mohapatra 等人对三种标准分类器（Classification And Regression Tree，CART；K-Nearest Neighbor，KNN；Support Vector Machine，SVM）在蛋白质亚细胞定位预测中的性能进行了比较。实验结果表明，SVM 在准确性和宏观平均精度方面表现较好，而 CART 在宏观平均召回率和宏观 F1 分数方面表现较好。

基于 AdaBoost Learner 的蛋白质亚细胞定位预测：Yu-Huan Jin 等人介绍了一种基于 AdaBoost Learner 的蛋白质亚细胞定位预测方法。该方法利用蛋白质的氨基酸组成进行预测，双分子荧光互补，通过 Jackknife 交叉验证和独立数据集测试表明，AdaBoost 是一种稳健有效的模型，预测准确率高于其他现有预测器。