ICMLMar, 2014

深度监督卷积生成随机网络在蛋白质二级结构预测中的应用

PDF
TL;DR利用一种基于深度分层表示的监督式生成随机网络模型来预测蛋白质的局部二级结构，该模型采用了卷积架构来使其规模化并提高学习效率，预测准确率可达 66.4%。
proteinsecondary structuredeep learningsupervised learningconvolutional architecture
发现论文，激发创造
  • 蛋白二级结构预测的串联卷积和循环神经网络

    本文提出了一个基于深度神经网络的端到端模型，通过集成局部和全局环境特征来预测蛋白质二级结构，并结合多任务学习同时预测二级结构标签和氨基酸溶剂可及性，取得了 69.7% 到 73.1% 的 Q8 准确率。

    Apr, 2016

  • 使用多尺度深度卷积神经网络和下一步条件进行蛋白质二级结构预测

    本研究通过深度学习技术，使卷积神经网络适应蛋白二级结构预测问题，达到了 70％的准确度，并尝试使用序列到序列学习和集合策略进一步提高精确度。

    Nov, 2016

  • 基于下一步条件的深度卷积神经网络改进蛋白质二级结构预测

    本文研究了如何应用深度学习技术，创建一种新的卷积神经网络结构，用于蛋白质序列的次级结构预测，并在 CB513 基准数据集上达到了 71.4％Q8 准确率。

    Feb, 2017

  • 使用长短期记忆网络进行蛋白质二级结构预测

    本文提出了一种基于双向长短期记忆细胞（LSTM）的循环神经网络模型来预测蛋白质的二级结构，使用 CB513 数据集评估，结果显示在 8 个类别中具有更好的性能（0.674）比现有技术（0.664）好。

    Dec, 2014

  • 蛋白质结构感知的自监督学习

    我们提出了一种新颖的结构感知的蛋白自监督学习方法，利用图神经网络模型预训练，从残基距离和二面角的角度考虑自监督学习任务，借鉴预训练蛋白语言模型的序列信息结合专门设计的 GNN 模型的结构信息进行伪二级优化，实验证明该方法在多个监督型下游任务中的有效性。

    Apr, 2022

  • 利用深度卷积神经场预测蛋白质的二级结构

    DeepCNF 是蛋白质二级结构预测的深度学习框架，比当前流行的预测器更为准确，并可用于预测其他蛋白质结构属性，如接触数、无序区域和溶剂可及性。

    Dec, 2015

  • 多样化神经网络结构高质量预测蛋白质 Q8 二级结构

    利用机器学习方法，通过构建神经网络模型和使用最新的建模方法对蛋白质二级结构的预测结果进行了研究和探讨，实验结果表明，模型精度达到 70.7％。通过完整地开放训练数据及代码，为领域内可重复性研究树立了良好标准。

    Nov, 2018

  • 一种利用 Transformer 和 CNN 整合的蛋白质结构预测方法

    基于深度学习方法的 DstruCCN 模型采用了卷积神经网络和监督式 Transformer 蛋白质语言模型，通过结合两者的训练特征以预测蛋白质的 Transformer 结合位点矩阵，然后使用能量最小化重构蛋白质的三维结构。

    Feb, 2024

  • Kirigami：大型卷积核提高基于深度学习的 RNA 二级结构预测

    我们引入了一种新颖的全卷积神经网络 (FCN) 结构，用于预测核糖核酸 (RNA) 分子的二级结构。通过将 RNA 结构解释为加权图，我们利用深度学习来估计核苷酸残基之间的配对概率。与我们的模型独特的是其拥有的大型 11-pixel 卷积核，我们认为在 RNA 二级结构领域上，这为 FCN 带来了明显的优势。在由 1,305 种分子组成的广泛采用的标准测试集上，我们的方法的准确率超过了当前最先进的二级结构预测软件，整体结构的 Matthews 相关系数 (MCC) 比其他主要方法高出 11-40%，而特别是拟结对结构，高出 58-400%。

    Jun, 2024

  • 通过解释性变分自编码器生成三级蛋白质结构

    本文提出并评估了一种利用生成深度学习的图形生成模型，生成蛋白质的功能相关三维结构的替代方法，并评价了几种深层结构的全面评估。

    Apr, 2020