論文の概要: PS8-Net: A Deep Convolutional Neural Network to Predict the Eight-State
Protein Secondary Structure
- arxiv url: http://arxiv.org/abs/2009.10380v1
- Date: Tue, 22 Sep 2020 08:19:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 21:51:49.768639
- Title: PS8-Net: A Deep Convolutional Neural Network to Predict the Eight-State
Protein Secondary Structure
- Title（参考訳）: PS8-Net:8状態タンパク質二次構造を予測する深層畳み込みニューラルネットワーク
- Authors: Md Aminur Rab Ratul, Maryam Tavakol Elahi, M. Hamed Mozaffari and
WonSook Lee
- Abstract要約: 我々は,8クラスタンパク質二次構造予測の精度を高めるために,新しいディープ畳み込みニューラルネットワーク(DCNN)(PS8-Net)を提案する。
提案したPS8-Netは、ベンチマークのCullPdb6133、CB513、CASP10、CASP11データセットでそれぞれ76.89%、71.94%、76.86%、75.26%の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.5161531917413706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Protein secondary structure is crucial to creating an information bridge
between the primary and tertiary (3D) structures. Precise prediction of
eight-state protein secondary structure (PSS) has significantly utilized in the
structural and functional analysis of proteins in bioinformatics. Deep learning
techniques have been recently applied in this research area and raised the
eight-state (Q8) protein secondary structure prediction accuracy remarkably.
Nevertheless, from a theoretical standpoint, there are still lots of rooms for
improvement, specifically in the eight-state PSS prediction. In this study, we
have presented a new deep convolutional neural network (DCNN), namely PS8-Net,
to enhance the accuracy of eight-class PSS prediction. The input of this
architecture is a carefully constructed feature matrix from the proteins
sequence features and profile features. We introduce a new PS8 module in the
network, which is applied with skip connection to extracting the long-term
inter-dependencies from higher layers, obtaining local contexts in earlier
layers, and achieving global information during secondary structure prediction.
Our proposed PS8-Net achieves 76.89%, 71.94%, 76.86%, and 75.26% Q8 accuracy
respectively on benchmark CullPdb6133, CB513, CASP10, and CASP11 datasets. This
architecture enables the efficient processing of local and global
interdependencies between amino acids to make an accurate prediction of each
class. To the best of our knowledge, PS8-Net experiment results demonstrate
that it outperforms all the state-of-the-art methods on the aforementioned
benchmark datasets.
- Abstract（参考訳）: タンパク質二次構造は一次構造と第三次構造の間に情報ブリッジを作るために重要である。
8状態タンパク質二次構造(PSS)の精密な予測は、バイオインフォマティクスにおけるタンパク質の構造と機能解析に大きく活用されている。
近年, 深層学習技術が応用され, 8状態 (q8) タンパク質二次構造予測精度が著しく向上している。
それでも理論的な観点からは、特に8状態pss予測において、改善の余地はまだたくさんある。
本研究では,8クラスpss予測の精度を向上させるために,新しい深層畳み込みニューラルネットワーク(dcnn)であるps8-netを提案する。
このアーキテクチャのインプットは、タンパク質配列の特徴とプロファイルの特徴から注意深く構築された特徴マトリックスである。
ネットワークに新しいps8モジュールを導入し,スキップ接続を用いて,上位層からの長期的相互依存性の抽出,先行層での局所的コンテキストの取得,二次構造予測時のグローバル情報の実現を行う。
提案したPS8-Netは、ベンチマークのCullPdb6133、CB513、CASP10、CASP11データセットでそれぞれ76.89%、71.94%、76.86%、75.26%の精度を達成した。
このアーキテクチャにより、アミノ酸間の局所的およびグローバルな相互依存性を効率的に処理し、各クラスを正確に予測することができる。
我々の知る限り、PS8-Net実験の結果は、前述のベンチマークデータセットの最先端メソッドよりも優れていることを示した。
関連論文リスト
- Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for
Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。
HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。
我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
論文 参考訳（メタデータ） (2022-12-23T16:14:53Z) - Protein 3D structure-based neural networks highly improve the accuracy
in compound-protein binding affinity prediction [7.059949221160259]
我々は,タンパク質3D構造情報の複合タンパク質結合親和性(CPAs)予測への応用を容易にするために,高速進化的注意と粗いグラフニューラルネットワーク(FeatNN)を開発した。
FeatNNはCPA予測において様々な最先端のベースラインをかなり上回り、ピアソン値は約35.7%上昇した。
論文 参考訳（メタデータ） (2022-03-30T00:44:15Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z) - PersGNN: Applying Topological Data Analysis and Geometric Deep Learning
to Structure-Based Protein Function Prediction [0.07340017786387766]
本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。
本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
論文 参考訳（メタデータ） (2020-10-30T02:24:35Z) - Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。
その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文 参考訳（メタデータ） (2020-09-13T21:12:20Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳（メタデータ） (2020-08-17T23:39:33Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳（メタデータ） (2020-08-11T15:01:32Z) - An Investigation in Optimal Encoding of Protein Primary Sequence for
Structure Prediction by Artificial Neural Networks [0.2578242050187029]
機械学習とニューラルネットワークの利用は、ここ数年で急激に増加している。
タンパク質構造予測は、ニューラルネットワークがますます普及し、成功している分野のひとつだ。
論文 参考訳（メタデータ） (2020-08-02T18:57:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。