基于聚类与深度学习混合方法的蛋白质主链二面角实值及置信度预测
生物大分子
2017-12-21 v1
摘要
背景。蛋白质二面角提供了对蛋白质局部构象的详细描述。预测的二面角可用于显著缩小整个多肽链的构象空间，从而辅助蛋白质三级结构预测。然而，仅从序列直接预测角度具有挑战性。方法。在本研究中，我们提出一种通过结合聚类与深度学习来预测实值角度的新方法。即，我们首先生成若干角度簇（每个簇赋予一个标签），然后应用深度残差神经网络预测标签后验概率。最后，我们通过各簇以其预测概率加权混合输出实值预测。同时，我们还根据预测的标签概率估计每个残基处预测误差的边界。结果。在本文中，我们提出一种名为 RaptorX-Angle 的新方法，通过结合聚类与深度学习预测实值角度。在 PDB25 的一个子集及最近两届蛋白质结构预测关键评估（CASP）的靶标上测试，我们的方法在皮尔逊相关系数（PCC）和平均绝对误差（MAE）方面优于现有的最优方法 SPIDER2。我们的结果还显示真实预测误差与我们估计的边界之间近似呈线性关系。即，真实预测误差可由我们估计的边界很好地近似。结论。我们的研究提供了另一种更精确的二面角预测，可能促进蛋白质结构预测与功能研究。
引用
@article{arxiv.1712.07244,
title = {Real-value and confidence prediction of protein backbone dihedral angles through a hybrid method of clustering and deep learning},
author = {Yujuan Gao and Sheng Wang and Minghua Deng and Jinbo Xu},
journal= {arXiv preprint arXiv:1712.07244},
year = {2017}
}
备注
23 pages, 6 figures, has been accepted by The Sixteenth Asia Pacific Bioinformatics Conference