用于蛋白质折叠质量评估的深度卷积网络
生物大分子
2018-11-26 v1
摘要
从序列出发对蛋白质结构进行计算预测通常依赖于一种评估蛋白质模型质量的方法。多数评估方法利用重度工程化的结构特征（定义为原子坐标的复杂函数）对候选模型排序。然而，极少有方法尝试直接从数据中学习这些特征。我们表明，深度卷积网络可仅基于原始三维原子密度、无需任何特征调优即可预测模型结构的排序。我们开发了一个深度神经网络，其性能与文献中最先进的算法相当。该网络在 CASP7 至 CASP10 数据集的诱饵上训练，并在 CASP11 数据集上测试性能。在 CASP11 第二阶段数据集上，其损失为 0.064，而性能最佳的方法损失为 0.063。在 CASP12、CAMEO 与 3DRobot 数据集诱饵上的额外测试证实，该网络在多种蛋白质结构上均表现稳定良好。虽然该网络学习对结构诱饵进行全局评估且不依赖任何预定义特征，但可对其进行分析以表明它隐式地识别出了偏离天然结构的区域。
引用
@article{arxiv.1801.06252,
title = {Deep convolutional networks for quality assessment of protein folds},
author = {Georgy Derevyanko and Sergei Grudinin and Yoshua Bengio and Guillaume Lamoureux},
journal= {arXiv preprint arXiv:1801.06252},
year = {2018}
}
备注
8 pages