Comparative analysis of nuclear localization signal (NLS) prediction methods

Abstract

Aim. Comparative analysis of six state-of-the-art nuclear localization signal (NLS) prediction methods (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport and seqNLS). Methods. Each program was tested for correct predictions using a dataset of 155 experimentally determined NLSs and for false-positives using a dataset of 155 transmembrane proteins, which putatively lack NLS. Results. The most suitable NLS predictors wer fond to be NucPred, NLStradamus and seqNLS; these programs provide the maximum rate of correct to wrong predictions among the tested programs. However, the best results obtained by these programs were only ~ 45 % of the correct predictions. Conclusion. The identification of novel NLSs by predictors still requires experimental verification.

Мета. Ідентифікація сигналів ядерної локалізації (NLS) в амінокислотній послідовності білків за допомогою експериментальних методів залишається коштовним і тривалис процесом. Тому в останній час велику популярність отримали комп'ютерні методи прогнозування NLS. Методи. В даній статті ми провели порівняльний аналіз достовірності прогнозування NLS шести різних програм (PSORT II, ​​NucPred, cNLSMapper, NLStradamus, NucImport та SeqNLS). Для кожного алгоритма було оцінена доля істинно позитивних прогнозів на вибірки з 155 експериментально визначених NLS з 128 білків людини, а також частку помилкових подій у вибірці з 155 трансмембранних білків людини, які, як видно, позбавлені NLS. Результати. Найбільшу кількість вірно прогнозованих NLS при найменшій частці хибнопозитивних результатів було отримано для трьох програм: NucPred, NLStradamus та seqNLS. Однак навіть при набільшій ступені достовірності дані алгоритми прогнозують вірно не більше 45 % експериментально визначених NLS. Висновки. Використання будь-яких алгоритмів прогнозування NLS вимагає експериментальної перевірки отриманих результатів.

Цель. Идентификация сигналов ядерной локализации (NLS) в аминокислотной последовательности белка экспериментальными методами остается дорогостоящим и долгим процессом. Поэтому в последнее время большую популярность получили компьютерные методы предсказания NLS. Методы. В данной статье мы провели сравнительный анализ достоверности предсказания NLS шести различных программ (PSORT II, NucPred, cNLSMapper, NLStradamus, NucImport и SeqNLS). Для каждого алгоритма была оценена доля истинно положительных предсказаний на выборке из 155 экспериментально определенных NLS из 128 человеческих белков, а также доля ложноположительных предсказаний на выборке из 155 трансмембранных белков человека, которые, предположительно, лишены NLS. Наибольшее количество правильно предсказанных NLS при наименьшей доле ложноположительных результатов было получено для трех программ: NucPred, NLStradamus и seqNLS. Однако даже при наибольшей степени достоверности данные алгоритмы предсказывают правильно не более 45% экспериментально определенных NLS, т.е. использование любых алгоритмов предсказания NLS требует экспериментальной проверки получаемых результатов.