Reversible post-translational modification (PTM) orchestrates various biological processes by changing the properties of proteins. Since many proteins are multiply modified by PTMs, identification of PTM crosstalk site has emerged to be an intriguing topic and attracted much attention. In this study, we systematically deciphered the in situ crosstalk of ubiquitylation and SUMOylation that co-occurs on the same lysine residue. We first collected 3363 ubiquitylation-SUMOylation (UBS) crosstalk site on 1302 proteins and then investigated the prime sequence motifs, the local evolutionary degree and the distribution of structural annotations at the residue and sequence levels between the UBS crosstalk and the single modification sites. Given the properties of UBS crosstalk sites, we thus developed the mUSP classifier to predict UBS crosstalk site by integrating different types of features with two-step feature optimization by recursive feature elimination approach. By using various cross-validations, the mUSP model achieved an average area under the curve (AUC) value of 0.8416, indicating its promising accuracy and robustness. By comparison, the mUSP has significantly better performance with the improvement of 38.41 and 51.48% AUC values compared to the cross-results by the previous single predictor. The mUSP was implemented as a web server available at http://bioinfo.ncu.edu.cn/mUSP/index.html to facilitate the query of our high-accuracy UBS crosstalk results for experimental design and validation.

中文翻译：

---

mUSP：通过特征增强方法预测的泛素化和 SUMOylation 蛋白质组原位串扰的高精度图。

可逆翻译后修饰 (PTM) 通过改变蛋白质的特性来协调各种生物过程。由于许多蛋白质被 PTM 多重修饰，因此 PTM 串扰位点的识别已成为一个有趣的话题并引起了很多关注。在这项研究中，我们系统地破译了在同一赖氨酸残基上共同发生的泛素化和 SUMO 化的原位串扰。我们首先收集了 1302 个蛋白质上的 3363 个泛素化-SUMOylation (UBS) 串扰位点，然后研究了素数序列基序、局部进化程度以及 UBS 串扰和单个修饰位点之间残基和序列水平的结构注释分布。鉴于 UBS 串扰站点的特性，因此，我们开发了 mUSP 分类器，通过递归特征消除方法将不同类型的特征与两步特征优化相结合来预测 UBS 串扰位置。通过使用各种交叉验证，mUSP 模型的平均曲线下面积 (AUC) 值为 0.8416，表明其具有良好的准确性和稳健性。相比之下，mUSP 的性能明显更好，与之前的单一预测因子​​的交叉结果相比，AUC 值提高了 38.41% 和 51.48%。mUSP 被实现为 http://bioinfo.ncu.edu.cn/mUSP/index.html 的网络服务器，以方便查询我们用于实验设计和验证的高精度 UBS 串扰结果。通过使用各种交叉验证，mUSP 模型的平均曲线下面积 (AUC) 值为 0.8416，表明其具有良好的准确性和稳健性。相比之下，mUSP 的性能明显更好，与之前的单一预测因子​​的交叉结果相比，AUC 值提高了 38.41% 和 51.48%。mUSP 被实现为 http://bioinfo.ncu.edu.cn/mUSP/index.html 的网络服务器，以方便查询我们用于实验设计和验证的高精度 UBS 串扰结果。通过使用各种交叉验证，mUSP 模型的平均曲线下面积 (AUC) 值为 0.8416，表明其具有良好的准确性和稳健性。相比之下，mUSP 的性能明显更好，与之前的单一预测因子​​的交叉结果相比，AUC 值提高了 38.41% 和 51.48%。mUSP 被实现为 http://bioinfo.ncu.edu.cn/mUSP/index.html 的网络服务器，以方便查询我们用于实验设计和验证的高精度 UBS 串扰结果。与前一个单一预测因子​​的交叉结果相比，AUC 值为 48%。mUSP 被实现为 http://bioinfo.ncu.edu.cn/mUSP/index.html 的网络服务器，以方便查询我们用于实验设计和验证的高精度 UBS 串扰结果。与前一个单一预测因子​​的交叉结果相比，AUC 值为 48%。mUSP 被实现为 http://bioinfo.ncu.edu.cn/mUSP/index.html 的网络服务器，以方便查询我们用于实验设计和验证的高精度 UBS 串扰结果。