制作蛋白质的图形软件，使用方便！

统计学t检验结合引入的变量筛选方法―遗传算法一偏最小二乘法(GAPLS )对卵巢癌SELDI-TOF MS数据进行特征筛选,从15154个原始变量中筛选得到4个特征质荷比值,采用支持向量机(SVM)模型的留一法交叉验证结果为95.26%．结果表明这4个质荷比值具有重要的生物学意义,它们或许可以作为卵巢癌的生物标记物,同时GAPLS可以作为一种有效的蛋白质组数据的特征筛选方法．

亲水胶体对不同蛋白质消化吸收特性的影响研究，张文溪，陈茂深，蛋白质的消化吸收率是评价饱腹类产品的一个重要指标。本文采用体外消化与体内动物实验相结合的方法，研究了在不同粘度体系下，三

用于化合物和蛋白质建模的深度学习库DTI，药物特性，PPI，DDI，蛋白质功能预测 在药物再利用，虚拟筛选，QSAR，副作用预测等方面的应用 该存储库托管DeepPurpose，DeepPurpose是一个基于深度学习的分子建模和预测工具包，可用于药物-目标相互作用预测，化合物特性预测，蛋白质-蛋白质相互作用预测和蛋白质功能预测（使用PyTorch）。 我们专注于DTI及其在药物再利用和虚拟筛选中的应用，但支持其他各种分子编码任务。 它允许非常简单的用法（仅几行代码），以促进用于生命科学研究的深度学习。 消息！ [05/21] 0.1.2支持5种新的基于图神经网络的复合编码模型（DGL_GCN，DGL_NeuralFP，DGL_GIN_AttrMasking，DGL_GIN_ContextPred，DGL_AttentiveFP），使用！ 提供一个例子！ [12/20] TDC数据

更新新闻！！！ iLearnPlus - iFeature和iLearn的更新版本现已发布！ （2021-02-28） iLearnPlus是第一个同时具有基于图形和基于Web的用户界面的机器学习平台，该平台可以构建自动机器学习管道，以使用核酸和蛋白质序列进行计算分析和预测。 iLearnPlus集成了21种机器学习算法（包括12种常规分类算法，2种整体学习框架和7种深度学习方法）和19种主要序列编码方案（总共147个特征描述符），数量超过了所有当前的Web服务器和独立服务器据我们所知，用于生物序列分析的工具。 此外，生物学家还可以使用iLearnPlus友好的GUI（图形用户界面）来顺利进行分析，与现有管道相比，显着提高了有效性和用户体验。 iLearnPlus是一个用于学术目的的开源平台，可从。 可从在线访问iLearnPlus-Basic模块。 iLearnPlus-基本模块界面：

高通量实验技术继续改变当前系统生物学的研究。可以理解，研究人员渴望利用这些新技术的力量。然而，在这些平台上的蛋白质-蛋白质相互作用提出了许多生产和生物信息学挑战。在蛋白质-蛋白质相互作用位点的预测中，诸如特征提取，特征表示，预测算法和结果分析之类的问题变得越来越成问题。开发强大，有效的基于蛋白质一级序列或/和3D结构推断蛋白质界面残基的预测方法，对于研究界加快研究和出版工作至关重要。当前，基于机器学习的方法在预测蛋白质相互作用位点方面引起了最大的关注。这篇综述旨在描述当机器学习策略被用于推断蛋白质相互作用位点时整个流水线的状态。

CH蛋白质生物的合成反应.ppt

蛋白质的基本组成单位是：氨基酸2一个生物样品的含氮量为5%，它.doc

2017高中生物第07天糖类、脂肪和蛋白质的检测暑假作业新人教版必修1.pdf

蛋白质结构比对对理解蛋白质功能和进化关系非常重要。提出一种基于蛋白质残基的二面角的结构比对算法。通过动态时间规整算法比对二面角序列，来比较蛋白质的结构，拟合两蛋白结构距离的分布后，利用p-value来评价比对的好坏。主要结果有：利用动态时间规整算法计算得出的结构距离是一个很好的蛋白质结构相似性度量；结构距离服从参数为μ=94.769 7，σ=41.583 7，ξ=0.192 5的广义的极值分布；和其他结构比对算法相比，该算法比CTSS的搜索结果要好。