利用Inception胶囊网络改进蛋白质γ-转角预测
定量方法
2018-06-20 v1 生物大分子
摘要
蛋白质γ-转角预测在蛋白质功能研究与实验设计中十分有用。已有若干γ-转角预测方法被提出，但其结果不尽如人意，马修相关系数(MCC)约在0.2–0.4之间。预测精度低的一个原因是方法能力有限；特别是，SVM等传统机器学习方法可能难以很好地提取高层特征以区分转角与非转角。因此，探索新的机器学习方法用于该预测是值得的。一种名为胶囊网络(Capsule Network, CapsuleNet)的前沿深度神经网络为γ-转角预测提供了新机遇。即便输入样本数相对较少，CapsuleNet中的胶囊也能非常有效地提取用于分类任务的高层特征。在此，我们提出一种用于γ-转角预测的深度Inception胶囊网络。其在γ-转角基准GT320上的性能达到了0.45的MCC，显著优于此前最佳方法的0.38。这是首个利用深度神经网络的γ-转角预测方法。此外，据我们所知，它也是首个公开发表的利用胶囊网络的生物信息学应用，将为学界提供有用范例。
引用
@article{arxiv.1806.07341,
title = {Improving Protein Gamma-Turn Prediction Using Inception Capsule Networks},
author = {Chao Fang and Yi Shang and Dong Xu},
journal= {arXiv preprint arXiv:1806.07341},
year = {2018}
}