Некоторые методы прогнозирования типов мембранных белков:

• Алгоритмы машинного обучения и методы статистического анализа. 1 К ним относятся, например, k-ближайший сосед (KNN), наивная байесовская модель (NBM), машины опорных векторов (SVM), случайные леса (RF), вероятностная нейронная сеть (PNN) и скрытые марковские модели. 1
• Методы, основанные на информации о последовательности. 1 К ним относятся, например, метод псевдо-аминокислотного состава (PseAAC), локальный аминокислотный состав (LAAC), локальный дипептидный состав (LDC), глобальный дескриптор (GD), сложность Лемпеля-Зива (LZC), автокорреляционный дескриптор (AD), дескриптор порядка последовательностей (SD) и преобразование Гильберта-Хуанга (HHT). 1
• Методы пептидной композиции. 1 К ним относятся дипептидная композиция (DIPPC) и трипептидная композиция (TipC). 1
• Методы, использующие эволюционную информацию. 1 В основном они основаны на матрице оценки, зависящей от положения (PSSM). 1 Для извлечения эволюционной информации из PSSM предложены, например, уменьшенная матрица оценок для конкретной позиции (RPSSM), матрица оценок для конкретной позиции эволюционных различий (EDPSSM), матрица оценок для конкретной позиции в трёхграммах (TriPSSM), матрица оценок для конкретной позиции с разделением на k биграмм (KPSSM), матрица оценок для конкретной позиции корреляции (CoPSSM) и матрица оценок для псевдопозиции (PsePSSM). 1
• Метод многократного усреднения функции гидрофобности белка. 3 Его используют для выявления повторяемости трансмембранных доменов, состоящих из аминокислот гидрофобной группы. 3