TopologyNet：基于拓扑的深度卷积神经网络用于生物分子性质预测
定量方法
2017-11-01 v1
摘要
尽管深度学习方法在图像、视频和音频处理、计算机视觉以及语音识别方面取得了巨大成功，但其在三维（3D）生物分子结构数据集上的应用却受到了纠缠的几何复杂性与生物学复杂性的阻碍。我们引入了拓扑，即元素特定持续同调（ESPH），以解开几何复杂性与生物学复杂性。ESPH 通过一维（1D）拓扑不变量表示 3D 复杂几何，并通过多通道图像表示保留关键的生物学信息。它能够揭示生物分子中隐藏的结构-功能关系。我们进一步将 ESPH 与卷积神经网络相结合，构建了一个多通道拓扑神经网络（TopologyNet），用于预测蛋白质-配体结合亲和力以及突变引起的蛋白质稳定性变化。为了克服由小规模且含噪的训练集给深度学习带来的限制，我们提出了一种多任务拓扑卷积神经网络（MT-TCNN）。我们证明，目前的 TopologyNet 架构在预测蛋白质-配体结合亲和力、球状蛋白质突变影响和膜蛋白质突变影响方面优于其他最先进的方法。
引用
@article{arxiv.1704.00063,
title = {TopologyNet: Topology based deep convolutional neural networks for biomolecular property predictions},
author = {Zixuan Cang and Guo-Wei Wei},
journal= {arXiv preprint arXiv:1704.00063},
year = {2017}
}
备注
20 pages, 8 figures, 5 tables