SignalP 4.0 server predicts the presence and location of signal peptide cleavage sites in amino acid sequences from different organisms: Gram-positive prokaryotes, Gram-negative prokaryotes, and eukaryotes. The method incorporates a prediction of cleavage sites and a signal peptide/non-signal peptide prediction based on a combination of several artificial neural networks.

A．序列输入方式：

有两种方式：一种是直接输入FASTA格式的氨基酸序列，可以是一条也可以是多条；另一种是本地上传包含含有FASTA格式序列的文件。

这里要注意我们必须输入氨基酸序列，看过有的朋友用核酸序列去预测的；输入的氨基酸序列为单字母简写形式。除了20中氨基酸外，仅允许使用X代表未知氨基酸。所有序列中的其他字母（非20种氨基酸简写和X的）被视为X；所有的非字母字符将会自动忽略。

还要注意的是对序列长度和多少的限制：每次最多提交2000条序列进行分析；总氨基酸残基不能超过20万；每条序列不能超过6000残基。其实一般来讲我们都不会有这么多序列一起去预测的O(∩_∩)O哈哈~

B．物种选择：

根据你预测的蛋白质来源选择革兰氏阳性细菌、革兰氏阴性细菌或真核生物。

C．方法选择：

可选神经网络法（neural network，结果中简写NN）；隐马可夫模型（hidden markov models，结果中简写HMM）以及联合两种方式。默认为两种一起预测。

两种方法各自的优势：HMM主要在于预测是否含有信号肽；NN主要为预测信号肽位点。

D．是否输出图表：

图表方式显示的界面要直观一些，默认为GIF格式，不用改了。

E．输出格式：

默认为标准模式，输出的结果中含有预测的图表，序列的总体分析数据如是否含有信号肽及其位点；Full模式除Standard中含有的数据外还有每个氨基酸对应的相应分析数据；Short的结果仅有序列的总体分析数据。同样建议默认不要改变。因为full模式中数据对我们来说意义不大。

F．分析长度：

一般来讲，信号肽在蛋白质N端，极少超过45个氨基酸残基。所以在序列中仅N端部分序列对信号肽的分析预测具有重要作用。默认为分析N端70个氨基酸，后面的不做分析。如果你想要全部的分析将此值设置为0即可。

G．隐私声明：

分析结束后会删除你提交分析的数据。

神经网络法NN中结果主要主要涉及3个值：C、S和Y。

S值：每个氨基酸对应1个S值，在结果显示的图表中有一个曲线显示S值的变化趋势，（在full模式中可以看见具体数值），信号肽区域的S值较高。

C值：剪切位点值。每个氨基酸会有一个C值，在剪切位点处C值是最高的。

Y值：Y-max综合考虑S值和C值的一个参数，其比单独考虑C值要更精确。因为在一条系列中C值可能有不止一个较高的位点，但是剪切位点只有一个；此时的剪切位点就由Y-max值来推测的，为S值是陡峭的位置和具有高C值的位点。

在现在的3.0版本中还有两个值S-mean和D值。

S-mean是从N端氨基酸开始到剪切位点处各氨基酸的平均S值。

D值是S-mean和Y-max的平均值，对区分是否为分泌蛋白具有重要作用。

隐马可夫模型（HMM）主要计算序列中是否含有信号肽，在真核生物的预测中还有signal anchor的一个参数（相当于信号肽），并进一步分为n-region、h-region和c-region三个部分。

这里我就直接用服务器中提供的结果说明为例。

在分泌蛋白的预测结果中，NN法Signal peptide列中结果为yes，并根据C值、S值和Y值等给出潜在的剪切位点；图表右上角处有C值、S值和Y值的曲线颜色指示，图表中有各值的变化趋势曲线。

HMM法文本结果显示其含有信号肽的可能性以及潜在的剪切位点；图表中给出信号肽不同区域划分的预测。

SignalP 4.0 server predicts the presence and location of signal peptide cleavage sites in amino acid sequences from different organisms: Gram-positive prokaryotes, Gram-negative prokaryotes, and eukaryotes. The method incorporates a prediction of cleavage sites and a signal peptide/non-signal peptide prediction based on a combination of several artificial neural networks.

A．序列输入方式：

有两种方式：一种是直接输入FASTA格式的氨基酸序列，可以是一条也可以是多条；另一种是本地上传包含含有FASTA格式序列的文件。

这里要注意我们必须输入氨基酸序列，看过有的朋友用核酸序列去预测的；输入的氨基酸序列为单字母简写形式。除了20中氨基酸外，仅允许使用X代表未知氨基酸。所有序列中的其他字母（非20种氨基酸简写和X的）被视为X；所有的非字母字符将会自动忽略。

还要注意的是对序列长度和多少的限制：每次最多提交2000条序列进行分析；总氨基酸残基不能超过20万；每条序列不能超过6000残基。其实一般来讲我们都不会有这么多序列一起去预测的O(∩_∩)O哈哈~

B．物种选择：

根据你预测的蛋白质来源选择革兰氏阳性细菌、革兰氏阴性细菌或真核生物。

C．方法选择：

可选神经网络法（neural network，结果中简写NN）；隐马可夫模型（hidden markov models，结果中简写HMM）以及联合两种方式。默认为两种一起预测。

两种方法各自的优势：HMM主要在于预测是否含有信号肽；NN主要为预测信号肽位点。

D．是否输出图表：

图表方式显示的界面要直观一些，默认为GIF格式，不用改了。

E．输出格式：

默认为标准模式，输出的结果中含有预测的图表，序列的总体分析数据如是否含有信号肽及其位点；Full模式除Standard中含有的数据外还有每个氨基酸对应的相应分析数据；Short的结果仅有序列的总体分析数据。同样建议默认不要改变。因为full模式中数据对我们来说意义不大。

F．分析长度：

一般来讲，信号肽在蛋白质N端，极少超过45个氨基酸残基。所以在序列中仅N端部分序列对信号肽的分析预测具有重要作用。默认为分析N端70个氨基酸，后面的不做分析。如果你想要全部的分析将此值设置为0即可。

G．隐私声明：

分析结束后会删除你提交分析的数据。

神经网络法NN中结果主要主要涉及3个值：C、S和Y。

S值：每个氨基酸对应1个S值，在结果显示的图表中有一个曲线显示S值的变化趋势，（在full模式中可以看见具体数值），信号肽区域的S值较高。

C值：剪切位点值。每个氨基酸会有一个C值，在剪切位点处C值是最高的。

Y值：Y-max综合考虑S值和C值的一个参数，其比单独考虑C值要更精确。因为在一条系列中C值可能有不止一个较高的位点，但是剪切位点只有一个；此时的剪切位点就由Y-max值来推测的，为S值是陡峭的位置和具有高C值的位点。

在现在的3.0版本中还有两个值S-mean和D值。

S-mean是从N端氨基酸开始到剪切位点处各氨基酸的平均S值。

D值是S-mean和Y-max的平均值，对区分是否为分泌蛋白具有重要作用。

隐马可夫模型（HMM）主要计算序列中是否含有信号肽，在真核生物的预测中还有signal anchor的一个参数（相当于信号肽），并进一步分为n-region、h-region和c-region三个部分。

这里我就直接用服务器中提供的结果说明为例。

在分泌蛋白的预测结果中，NN法Signal peptide列中结果为yes，并根据C值、S值和Y值等给出潜在的剪切位点；图表右上角处有C值、S值和Y值的曲线颜色指示，图表中有各值的变化趋势曲线。

HMM法文本结果显示其含有信号肽的可能性以及潜在的剪切位点；图表中给出信号肽不同区域划分的预测。