该工具使用深度学习预测模型进行多肽溶解度预测。
该工具适用于在大肠杆菌中表达的长度少于 200 个残基的多肽或蛋白质。可提供适用范围更广的溶解度预测。
它在预测短肽（<50aa）方面表现出色。AUROC 和准确率分别为 95% 和 91.3%，在预测短肽溶解度方面优于现有的 DSResSol 方法。
训练数据包含来自 PROSO II 的 18,453 条序列（47.6% 为阳性序列，52.4% 为阴性序列）。这些数据的序列长度分布广泛（18 - 198）。
长肽序列（大于 100）的准确率较低。
PROSO II 将可溶性定义为在大肠杆菌系统中可转染、可表达、可分泌、可分离和可溶解的序列。
输入最大长度：200 个残基。
参考文献
- Ansari M, White AD. Serverless Prediction of Peptide Properties with Recurrent Neural Networks. J Chem Inf Model. 2023 Apr 24;63(8):2546-2553. doi: 10.1021/acs.jcim.2c01317. Epub 2023 Apr 3. PMID: 37010950; PMCID: PMC10131225.
- Investigating Active Learning and Meta-Learning for Iterative Peptide Design. J. Chem. Inf. Model., 2021.
- PROSO II–a new method for protein solubility prediction. The FEBS journal , 2012.