EnzyNet：基于空间表示的3D卷积神经网络酶分类
定量方法
2017-07-20 v1 计算机视觉与模式识别
机器学习
摘要
在过去的十年中，随着计算能力的显著进步以及数据可用性的不断增长，深度学习技术因其在计算机视觉问题上的优异表现而日益流行。蛋白质数据库自1999年以来规模增长了超过15倍，这使得旨在基于氨基酸组成预测酶功能的模型得以扩展。然而，氨基酸序列在自然界中的保守性低于蛋白质结构，因此被认为是蛋白质功能的较不可靠预测因子。本文提出EnzyNet，一种新颖的3D卷积神经网络分类器，仅基于酶的基于体素的空间结构来预测酶的酶委员会编号。还考察了生化特性的空间分布作为补充信息。该2层架构在一个包含来自蛋白质数据库的63,558个酶的大型数据集上进行了研究，并且仅利用蛋白质形状的二进制表示就达到了78.4%的准确率。代码和数据集可在 https://github.com/shervinea/enzynet 获取。
引用
@article{arxiv.1707.06017,
title = {EnzyNet: enzyme classification using 3D convolutional neural networks on spatial representation},
author = {Afshine Amidi and Shervine Amidi and Dimitrios Vlachakis and Vasileios Megalooikonomou and Nikos Paragios and Evangelia I. Zacharaki},
journal= {arXiv preprint arXiv:1707.06017},
year = {2017}
}
备注
11 pages, 6 figures