利用外部知识的自适应残基级特征融合用于低同源蛋白质二级结构预测
定量方法
2021-08-10 v1 人工智能
机器学习
摘要
蛋白质二级结构预测 (PSSP) 对于蛋白质功能分析至关重要。然而，对于低同源蛋白质，PSSP 面临输入特征不足的问题。在本文中，我们在残基级特征融合的指导下，显式地为低同源 PSSP 引入外部自监督知识。在实践中，我们首先证明了对于低同源 PSSP，谱特征优于位置特异性打分矩阵 (PSSM)。基于这一观察，我们引入了新颖的自监督 BERT 特征作为伪谱特征，其隐式地将所有已发现天然序列中的残基分布作为互补特征。此外，专门设计了一种新颖的残基级注意力机制，以自适应地融合不同特征（即原始低质量谱特征、基于 BERT 的伪谱特征），这不仅充分利用了每种特征，还避免了噪声干扰。另外，提出了特征一致性损失以加速模型从多个语义层次进行学习。大量实验证实，我们的方法优于现有最优方法（即在 BC40 数据集上，对于极低同源病例提升了 4.7%）。
引用
@article{arxiv.2108.04176,
title = {Adaptive Residue-wise Profile Fusion for Low Homologous Protein SecondaryStructure Prediction Using External Knowledge},
author = {Qin Wang and Jun Wei and Boyuan Wang and Zhen Li1 and Sheng Wang and Shuguang Cu},
journal= {arXiv preprint arXiv:2108.04176},
year = {2021}
}
备注
Accepted in IJCAI-21