DeepGO-预测基因本体功能 DeepGO是一种使用蛋白质序列和蛋白质-蛋白质相互作用（PPI）网络预测蛋白质功能的新颖方法。 它使用深度神经网络来学习序列和PPI网络特征，并使用GO类对它进行分层分类。 使用神经符号方法学习PPI网络功能，以学习知识图表示 该存储库包含用于构建和训练DeepGO模型的脚本，以及用于评估模型性能的脚本。 依存关系 要安装python依赖项，请运行：pip install -r requirements.txt 剧本 这些脚本需要OBO格式的GeneOntology。 nn_hierarchical_seq.py-此脚本用于构建和训练仅使用蛋白质序列作为输入的模型。 nn_hierarchical_network.py-此脚本用于构建和训练模型，该模型使用蛋白质的序列和PPI网络嵌入作为输入。 get_data.py，get_functions.p

基因本体论工具 作者 海宝堂（ ） DV（ ） 布伦特·佩德森（） 菲德尔·拉米雷斯（ ） Aurelien Naldi（ ） 帕特里克·弗里克（ ） 杰夫·尤恩斯（ ） 佐藤健太（ ） 克里斯·蒙加（Chris ） 格雷格·（ ） 戴维·德托马索（ ） 奥尔加·（ ） 电子邮件 执照 BSD 描述 该软件包包含一个Python库，用于 根据Fisher的精确测试，处理某些GO术语的过高和不足表示。 具有多种多样的校正例程，包括Bonferroni，Sidak，Holm和错误发现率的本地实现例程。 此外，还包括从多个测试校正 ：FDR的Benjamini / Hochberg的，FDR的Benjamini / Yekutieli，霍尔姆-Sidak，西门斯-Hochberg指出霍梅尔，FDR 2级的Benjamini-Hochberg的，F