基于蛋白质 3D 折叠动态图表示的传统机器学习与深度学习在蛋白质结构分类中的比较
机器学习
2026-05-29 v1 分子网络
摘要
蛋白质结构分类（PSC）使用监督学习来预测蛋白质的 CATH/SCOP(e) 类所基于蛋白质的序列或 3D 结构特征。我们已将 3D 结构建模为（静态）蛋白质结构网络（PSNs），并证明了 PSN 基于特征在 PSC 任务中竞争力强于序列或直接（即非网络）3D 结构特征。更近期，我们展示了从动态 PSN 提取的特征在同一任务中优于从静态 PSN 提取的特征（因此通过传递，在序列和直接 3D 结构特征方面）。该动态 PSN 方法使用传统机器学习（ML），将手动（预工程）特征与即插即用的分类器结合。本文评估是否从动态 PSN 自动提取深度学习（DL）可获得改进。我们在覆盖约 44,000 个 CATH- 或 SCOPe 标记的 72 个数据集上进行评估，结果显示在 PSC 准确率方面，传统 ML 和 DL 在大多数数据集上（接近）持平，而 DL average 慢 10 倍以上。我们是首次在动态 PSN 基于 PSC 任务中评估传统 ML 与 DL。
引用
@article{arxiv.2605.29228,
title = {Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification},
author = {Aydin Wells and Francis A. Gatsi and Aaron Striegel and Tijana Milenković},
journal= {arXiv preprint arXiv:2605.29228},
year = {2026}
}
备注
Main paper: 16 pages, 4 figures, and 1 table; Supplementary information: 13 pages, 9 figures