Large-Scale Structure-Based Prediction of Stable Peptide Binding to Class I HLAs Using Random Forests.

Abella, Jayvee R; Antunes, Dinler A; Clementi, Cecilia; Kavraki, Lydia E

Abella, Jayvee R; Antunes, Dinler A; Clementi, Cecilia; Kavraki, Lydia E.

Afiliación

Abella JR; Department of Computer Science, Rice University, Houston, TX, United States.
Antunes DA; Department of Computer Science, Rice University, Houston, TX, United States.
Clementi C; Center for Theoretical Biological Physics, Rice University, Houston, TX, United States.
Kavraki LE; Department of Chemistry, Rice University, Houston, TX, United States.

Front Immunol ; 11: 1583, 2020.

Article en En | MEDLINE | ID: mdl-32793224

Asunto(s)

Antígenos de Histocompatibilidad Clase I/química; Modelos Moleculares; Péptidos/química; Conformación Proteica; Algoritmos; Alelos; Secuencia de Aminoácidos; Sitios de Unión; Análisis de Datos; Bases de Datos de Proteínas; Antígenos de Histocompatibilidad Clase I/inmunología; Humanos; Péptidos/inmunología; Unión Proteica; Relación Estructura-Actividad

Palabras clave

HLA-I; antigen presentation; docking; immunopeptidomics; machine learning; peptide binding; random forests; structural modeling

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google

Texto completo: 1 Banco de datos: MEDLINE Asunto principal: Péptidos / Conformación Proteica / Antígenos de Histocompatibilidad Clase I / Modelos Moleculares Tipo de estudio: Clinical_trials / Prognostic_studies / Risk_factors_studies Límite: Humans Idioma: En Revista: Front Immunol Año: 2020 Tipo del documento: Article País de afiliación: Estados Unidos

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google