Miniatura

Fitxers

724629.pdf (1.82 MB)

Tipus de document

Article

Versió

Versió publicada

Data de publicació

2022-08-26

Llicència de publicació

cc-by-nc (c) Barissi, Sandro et al., 2022
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/189850

DNAffinity: a machine-learning approach to predict DNA binding affinities of transcription factors

Títol de la revista

Autors

Director/Tutor

ISSN de la revista

Títol del volum

Recurs relacionat

https://doi.org/10.1093/nar/gkac708

Resum

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.

Matèries

ADN, Genòmica, Biologia computacional

Matèries (anglès)

DNA, Genomics, Computational biology

Citació

Col·leccions

Articles publicats en revistes (Bioquímica i Biomedicina Molecular)

Citació

BARISSI, Sandro, SALA HUERTA, Alba, WIECZÓR, Miłosz, BATTISTINI, Federica, OROZCO LÓPEZ, Modesto. DNAffinity: a machine-learning approach to predict DNA binding affinities of transcription factors. _Nucleic Acids Research_. 2022. Vol. 50, núm. 16, pàgs. 9105-9114. [consulta: 2 de febrer de 2026]. ISSN: 0305-1048. [Disponible a: https://hdl.handle.net/2445/189850]

Exportar metadades

JSON - METS

Compartir registre