蛋白质模型质量评估的深度迁移学习
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
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
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
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
本篇论文综述了近年来利用深度学习方法在蛋白质功能预测任务领域取得的良好表现,并介绍了现代最先进的深度学习模型对计算机视觉、自然语言处理和多模态学习等领域的重大贡献。同时,文章提出自动化蛋白质功能预测任务的重要性,并希望能够鼓励更多的研究者进行相关领域的探索。
Oct, 2022
这篇研究论文介绍了一种名为 ProteinNet 的数据集,在蛋白质序列 - 结构关系的机器学习模型的训练和评估方面提供了一种标准化机制,并提出了一种方法来克服已有数据集中存在的一些挑战。
Feb, 2019