卷积深度网络用于蛋白质折叠质量评估

Jan, 2018

卷积深度网络用于蛋白质折叠质量评估

Deep convolutional networks for quality assessment of protein folds

Georgy Derevyanko, Sergei Grudinin, Yoshua Bengio, Guillaume Lamoureux

TL;DR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。

Abstract

The computational prediction of a protein structure from its sequence generally relies on a method to assess the quality of protein models. Most assessment methods rank candidate models using heavily engineered structural features, defined as complex functions of the atomic coordinates

protein structure deep learning neural network data-driven structure prediction

发现论文，激发创造

蛋白质模型质量评估的深度迁移学习

该研究提出了一种基于深度神经网络的蛋白质模型质量预测方法，利用少量输入特征和粗略模型描述以及数据库中已知蛋白质结构的迁移学习，达到了最先进的性能表现。

Apr, 2018

深度学习神经网络在蛋白质计算设计中的应用

本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

Jan, 2018

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

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

用层级旋转等变神经网络选择蛋白质复合物的结构模型

本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

Jun, 2020

DeepSF: 深度卷积神经网络用于蛋白质序列到褶皱的映射

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。