Abstract As a reversible and widely existing post-translational modification of proteins, acetylation plays a crucial role in transcriptional regulation, apoptosis, and cytokine signaling. To better understand the molecular mechanism of acetylation, identification of acetylation sites is vital. The traditional experimental methods are time-consuming and cost-prohibitive, and the majority of acetylation sites remain unknown. It is necessary to develpoe an effective and accurate computational approach to predict the acetylation sites, especially utilizing the advanced deep learning technique. In this study, we propose a prokaryote acetylation sites prediction method based on the deep neural networks, named DNNAce. We extract the protein features from sequence information, physicochemical information, and evolution information of amino acid residues and obtain the initial feature set All. Moreover, we use Group Lasso to remove the irrelevant features that are not effective for classification in the sites prediction area. Compared to other machine learning methods, we use deep neural networks to predict acetylation sites. The 10-fold cross-validation on independent test datasets indicates that DNNAce has the highest values of accuracy for predicting acetylation sites. That DNNAce accurately identifies acetylation sites assists us in understanding its molecular mechanism, and provides related theoretical foundation for the development of drug targets for various diseases. The source code and all datasets are available at https://github.com/QUST-AIBBDRC/DNNAce/ .

中文翻译：

---

DNNAce：通过具有多信息融合的深度神经网络预测原核生物赖氨酸乙酰化位点

摘要 作为一种可逆且广泛存在的蛋白质翻译后修饰，乙酰化在转录调控、细胞凋亡和细胞因子信号传导中起着至关重要的作用。为了更好地了解乙酰化的分子机制，乙酰化位点的鉴定至关重要。传统的实验方法耗时且成本高昂，而且大多数乙酰化位点仍然未知。有必要开发一种有效且准确的计算方法来预测乙酰化位点，尤其是利用先进的深度学习技术。在这项研究中，我们提出了一种基于深度神经网络的原核生物乙酰化位点预测方法，命名为 DNNAce。我们从序列信息、理化信息、和氨基酸残基的进化信息，得到初始特征集All。此外，我们使用 Group Lasso 去除了对站点预测区域中分类无效的不相关特征。与其他机器学习方法相比，我们使用深度神经网络来预测乙酰化位点。对独立测试数据集的 10 倍交叉验证表明，DNNAce 在预测乙酰化位点方面具有最高的准确度。DNNAce 准确识别乙酰化位点有助于我们理解其分子机制，并为开发针对各种疾病的药物靶点提供相关理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。我们使用 Group Lasso 去除对站点预测区域中分类无效的不相关特征。与其他机器学习方法相比，我们使用深度神经网络来预测乙酰化位点。对独立测试数据集的 10 倍交叉验证表明，DNNAce 在预测乙酰化位点方面具有最高的准确度。DNNAce 准确识别乙酰化位点有助于我们理解其分子机制，并为开发针对各种疾病的药物靶点提供相关理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。我们使用 Group Lasso 去除对站点预测区域中分类无效的不相关特征。与其他机器学习方法相比，我们使用深度神经网络来预测乙酰化位点。对独立测试数据集的 10 倍交叉验证表明，DNNAce 在预测乙酰化位点方面具有最高的准确度。DNNAce 准确识别乙酰化位点有助于我们理解其分子机制，并为开发针对各种疾病的药物靶点提供相关理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。我们使用深度神经网络来预测乙酰化位点。对独立测试数据集的 10 倍交叉验证表明，DNNAce 在预测乙酰化位点方面具有最高的准确度。DNNAce 准确识别乙酰化位点有助于我们理解其分子机制，并为开发针对各种疾病的药物靶点提供相关理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。我们使用深度神经网络来预测乙酰化位点。对独立测试数据集的 10 倍交叉验证表明，DNNAce 在预测乙酰化位点方面具有最高的准确度。DNNAce 准确识别乙酰化位点有助于我们理解其分子机制，并为开发针对各种疾病的药物靶点提供相关理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。并为各种疾病的药物靶点开发提供相关的理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。并为各种疾病的药物靶点开发提供相关的理论基础。源代码和所有数据集可在 https://github.com/QUST-AIBBDRC/DNNAce/ 获得。