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

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

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

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

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%。

Mar, 2014

本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

Jan, 2018

使用深度 1D 卷积神经网络（DeepSF）对任何蛋白质序列进行直接分类，将其映射到 1195 个已知折叠中的一个，从而实现蛋白质折叠识别和序列结构关系研究，并在 SCOP 数据集上的测试中取得了 80.4％的分类精度。

Jun, 2017

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

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

该研究提出了一种基于深度学习技术的卷积神经网络结构 (MUST-CNN)，使用 Multilayer Shift-and-Stitch (MUST) 技术和高效卷积操作，可以更好地预测蛋白质属性，结果优于以往的研究成果。

May, 2016