下一步条件化深度卷积神经网络改进蛋白质二级结构预测
机器学习
2017-02-20 v1 生物大分子
摘要
最近开发的深度学习技术显著提高了各种语音和图像识别系统的准确性。在本文中，我们展示了如何调整其中一些技术，以创建一种新颖的具有下一步条件化的链式卷积架构，用于改善蛋白质序列预测问题的性能。我们通过展示其在八类二级结构预测上提高性能的能力来探索其价值。我们首先通过采用为视觉任务开发的卷积神经网络的最新进展，建立了一个最先进的基线。该模型在CB513基准数据集上实现了70.0%的每氨基酸准确率，而未使用诸如集成或多任务学习等标准性能提升技术。然后，我们使用一种新颖的链式预测方法改进了这一最先进结果，该方法将二级结构预测构建为一个下一步预测问题。该序列模型在CB513上以单一模型实现了70.3%的Q8准确率；这些模型的集成在同一测试集上产生了71.4%的Q8准确率，改进了先前八类二级结构问题的总体最先进水平。我们的模型使用TensorFlow（一个在TensorFlow.org上可用的开源机器学习软件库）实现；我们旨在将这些实验的代码作为TensorFlow存储库的一部分发布。
引用
@article{arxiv.1702.03865,
title = {Next-Step Conditioned Deep Convolutional Neural Networks Improve Protein Secondary Structure Prediction},
author = {Akosua Busia and Navdeep Jaitly},
journal= {arXiv preprint arXiv:1702.03865},
year = {2017}
}
备注
11 pages, 3 figures, 4 tables, submitted to ISMB/ECCB 2017. arXiv admin note: text overlap with arXiv:1611.01503