CNRBind: Erkennung von Bindungsstellen für kleine Moleküle-RNA über standortsignifikante Informationen aus Nukleotiden und komplexen Netzwerkdaten

Hintergrund: Bindungsstellen für kleine Moleküle-RNA spielen eine bedeutende Rolle bei der Entwicklung von Medikamenten zur Behandlung von Krankheiten. Es ist jedoch eine Herausforderung, genaue computergestützte Werkzeuge zur Identifizierung dieser Bindungsstellen vorzuschlagen. Methode: In dieser Studie wurde ein genaues Vorhersagemodell mit dem Namen CNRBind entwickelt, indem standortspezifische Informationen aus Nukleotiden und komplexen Netzwerken extrahiert wurden. Wir entwarfen komplexe Netzwerke und berechneten drei topologische Strukturparameter gemäß der dreidimensionalen RNA-Struktur. Unter Berücksichtigung der Nukleotidabhängigkeit wurde ein gleitendes Fenster ausgewählt, um den Einfluss benachbarter Stellen zu integrieren. Schließlich wurde das Modell unter Verwendung eines Random-Forest-Klassifikators erstellt. Ergebnisse: Im Vergleich zu anderen computergestützten Werkzeugen war CNRBind wettbewerbsfähig und hatte eine hervorragende diskriminierende Fähigkeit zur Vorhersage von Metallion-Bindungsstellen. Darüber hinaus zeigte die statistische Analyse signifikante Unterschiede zwischen CNRBind und bestehenden Methoden. Zusätzlich ist CNRBind ein vielversprechender Prädiktor in Fällen, in denen die experimentelle dreidimensionale Struktur nicht verfügbar ist. Fazit: Diese Ergebnisse zeigen, dass CNRBind wirksam ist wegen der vorgeschlagenen Strategie zur Kodierung standortspezifischer Informationen. Der Ansatz bietet eine angemessene Ergänzung für biologisch-wissenschaftliche Forschungen. Der Datensatz und die Ressourcen-Codes sind verfügbar unter: https://github.com/Kangxiaoneuq/CNRBind.