Wyszukiwarka
Abstrakt
We present a physics-based machine learning approach to predict in vitro transcription factor binding affinities from structural and mechanical DNA properties directly derived from atomistic molecular dynamics simulations. The method is able to predict affinities obtained with techniques as different as uPBM, gcPBM and HT-SELEX with an excellent performance, much better than existing algorithms. Due to its nature, the method can be extended to epigenetic variants, mismatches, mutations, or any non-coding nucleobases. When complemented with chromatin structure information, our in vitro trained method provides also good estimates of in vivo binding sites in yeast.
Cytowania
-
1 3
CrossRef
-
0
Web of Science
-
8
Scopus
Autorzy (5)
-
Sandro Barissi
- IRB Barcelona
-
Alba Sala
- IRB Barcelona
-
Federica Battistini
- IRB Barcelona
-
Modesto Orozco
- IRB Barcelona
Cytuj jako
Pełna treść
pobierz publikację
pobrano 14 razy
- Wersja publikacji
- Accepted albo Published Version
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1093/nar/gkac708
- Licencja
-
otwiera się w nowej karcie
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja w czasopiśmie
- Typ:
- artykuły w czasopismach
- Opublikowano w:
-
NUCLEIC ACIDS RESEARCH
nr 50,
strony 9105 - 9114,
ISSN: 0305-1048 - Język:
- angielski
- Rok wydania:
- 2022
- Opis bibliograficzny:
- Barissi S., Sala A., Wieczór M., Battistini F., Orozco M.: DNAffinity: a machine-learning approach to predict DNA binding affinities of transcription factors// NUCLEIC ACIDS RESEARCH -Vol. 50,iss. 16 (2022), s.9105-9114
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1093/nar/gkac708
- Źródła finansowania:
-
- COST_FREE
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 67 razy