基于超深学习模型的蛋白质接触图精准从头预测
生物大分子
2017-01-10 v6 机器学习
定量方法
机器学习
摘要
最近，蛋白质接触预测取得了令人振奋的进展，但对于没有许多序列同源物的蛋白质，其预测接触质量仍然较低，对从头结构预测帮助不大。本文提出了一种新的深度学习方法，通过由两个深度残差网络组成的超深神经网络，整合进化耦合和序列保守信息来预测接触。该深度神经网络使我们能够对极其复杂的序列-接触关系以及长程接触间相关性进行建模。我们的方法大大优于现有的接触预测方法，并使得接触辅助的蛋白质折叠更加准确。在三个包含 579 个蛋白质的数据集上进行测试，我们的方法、代表性 EC 方法 CCMpred 以及 CASP11 冠军 MetaPSICOV 的平均 top L 长程预测准确率分别为 0.47、0.21 和 0.30；我们的方法、CCMpred 和 MetaPSICOV 的平均 top L/10 长程准确率分别为 0.77、0.47 和 0.59。使用我们预测的接触作为约束进行从头折叠，可以为 203 个测试蛋白质产生正确的折叠（即 TMscore>0.6），而使用 MetaPSICOV 和 CCMpred 预测的接触分别只能为 79 个和 62 个蛋白质做到这一点。此外，我们的接触辅助模型比基于模板的模型质量好得多。使用我们预测的接触作为约束，我们可以（从头）折叠 398 个膜蛋白中的 208 个（TMscore>0.5）。相比之下，当将我们方法的训练蛋白质用作模板时，同源建模只能折叠其中 10 个。一个有趣的发现是，即使我们不使用任何膜蛋白来训练预测模型，我们的方法在膜蛋白预测上也表现得非常好。最后，在最近的盲测 CAMEO 基准测试中，我们的方法成功折叠了 5 个具有新折叠的测试蛋白质。
引用
@article{arxiv.1609.00680,
title = {Accurate De Novo Prediction of Protein Contact Map by Ultra-Deep Learning Model},
author = {Sheng Wang and Siqi Sun and Zhen Li and Renyu Zhang and Jinbo Xu},
journal= {arXiv preprint arXiv:1609.00680},
year = {2017}
}