Jun, 2024

Kirigami：大型卷积核提高基于深度学习的 RNA 二级结构预测

PDF
TL;DR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%。
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

  • 基于展开算法学习的 RNA 次级结构预测

    我们提出了一种端到端的深度学习模型 E2Efold，用于 RNA 二级结构预测，可以有效地考虑问题中的固有约束，并通过约束规划的未卷积算法作为深度结构的模板强制实施约束，全面实验表明，E2Efold 具有优越的性能：相对于之前的 SOTA，特别是对于伪结节数量结构的预测具有显著的改进，同时推断时间也不会慢于最快的算法。

    Feb, 2020

  • 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

  • 重新思考 RNA 次级结构问题的性能衡量

    准确的 RNA 二级结构预测对于理解细胞调控和疾病机制至关重要。通过预测伪结和多相互作用碱基对等复杂特征，深度学习方法已经超过了传统算法。然而，传统距离度量难以处理如此三级相互作用，目前使用的评估指标（F1 分数，MCC）存在局限性。我们提出 Weisfeiler-Lehman 图核作为一种替代度量标准。采用基于图的度量标准如 WL 可以公正准确地评估 RNA 结构预测算法。此外，WL 在 RNA 设计实验中展示了信息丰富的指导作用。

    Dec, 2023

  • 可扩展的深度学习用于 RNA 次级结构预测

    基于轴向注意力和潜变量空间循环利用的 RNAformer 模型在 RNA 二级结构预测领域取得了突破性进展，超越了使用外部信息的方法，在 TS0 基准数据集上实现了最先进的性能，并实验证明 RNAformer 能够学习到 RNA 折叠过程的生物物理模型。

    Jul, 2023

  • 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

    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

  • 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

  • 卷积深度网络用于蛋白质折叠质量评估

    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

  • 基于图像表示的卷积神经网络用于 DNA 分类

    本文提出了一种卷积神经网络，将 DNA 序列的图像表征作为输入，并预测染色质结构的关键决定因素，能够检测 DNA 序列中远程元素之间的相互作用，实验证明该方法在预测准确性和训练时间方面优于多种现有方法。

    Jun, 2018