基于多种神经网络架构的蛋白质Q8二级结构高质量预测
机器学习
2018-11-20 v1 定量方法
机器学习
摘要
我们利用一个通用任务框架解决蛋白质二级结构预测问题。这引出了基于最先进构建模块的多种神经架构思路，这些模块在本任务中属首次使用。我们采取有原则的机器学习方法，提供真实、无偏的性能度量，纠正了该应用领域长期存在的错误。我们聚焦于二级结构的Q8分辨率，这是一个方法持续改进活跃的领域。我们使用强预测器的集成取得了70.7%的准确率（在CB513测试集上使用CB6133filtered训练集）。这些结果在统计上与现有顶级预测器无差异。本着可重复研究的精神，我们公开了数据、模型和代码，旨在为训练与测试集的纯净性设立黄金标准。此类良好实践降低了进入该领域的门槛，并促进可重复、可扩展的研究。
引用
@article{arxiv.1811.07143,
title = {High Quality Prediction of Protein Q8 Secondary Structure by Diverse Neural Network Architectures},
author = {Iddo Drori and Isht Dwivedi and Pranav Shrestha and Jeffrey Wan and Yueqi Wang and Yunchu He and Anthony Mazza and Hugh Krogh-Freeman and Dimitri Leggas and Kendal Sandridge and Linyong Nan and Kaveri Thakoor and Chinmay Joshi and Sonam Goenka and Chen Keasar and Itsik Pe'er},
journal= {arXiv preprint arXiv:1811.07143},
year = {2018}
}
备注
NIPS 2018 Workshop on Machine Learning for Molecules and Materials, 10 pages