文献

J-GLOBAL ID：201602215975841565   整理番号：16A0184232

AcconPred 条件付きニューラルフィールドモデル下でのマルチタスク学習フレームワークによる溶媒露出度と接触数の同時予測

AcconPred: Predicting Solvent Accessibility and Contact Number Simultaneously by a Multitask Learning Framework under the Conditional Neural Fields Model

著者 (3件)： MA Jianzhu (Toyota Technological Inst. at Chicago, IL, USA) ,  WANG Sheng (Toyota Technological Inst. at Chicago, IL, USA) ,  WANG Sheng (Univ. Chicago, IL, USA)
資料名： BioMed Research International (Web)  (BioMed Research International (Web))
巻： 2015  号： Bioinformatics  ページ： 678764 (WEB ONLY)  発行年： 2015年 
JST資料番号： U7008A  ISSN： 2314-6133  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 動機。タンパク質残基の溶媒露出度は,タンパク質折りたたみの推進力の1つであるが,タンパク質残基の接触数は,タンパク質コンフォメーションの可能性を制限する。タンパク質配列からのこれらの特性の新たな予測は,タンパク質の構造および機能の研究にとって重要である。これらの2つの特性は確かに互いに関連するが,この依存関係を予測に利用するのは難しい。方法。著者らは,CNF(条件付きニューラルフィールド)モデルの下で共有重みマルチタスク学習フレームワークに基づいて,溶媒露出度および接触数を同時に予測するための方法AcconPredを発表する。関連タスクの集合に関するマルチタスク学習フレームワークは,単一タスクでのみ訓練されたフレームワークよりも正確な予測を提供する。CNF法は,入力特徴量と予測されるラベルとの間の複雑な関係をモデル化するだけでなく,隣接するラベル間の相互依存性も利用する。結果。5729個の単量体可溶性球状タンパク質データセットで訓練したとき,AcconPredは,溶媒露出度のための3状態の正確度0.68,および接触数についての相関0.75に達することができた。溶媒露出度のための105個のCASP11ドメインデータセットで試験したとき,AcconPredは,既存の方法を上回る精度0.64に達することができた。(翻訳著者抄録)

シソーラス用語： 機械学習 ,  立体構造 ,  表面積 ,  溶媒 ,  *アミノ酸残基 ,  折畳み構造 ,  特徴抽出 ,  確率モデル
準シソーラス用語： マルチタスク学習 ,  条件付きニューラルフィールドモデル ,  蛋白質立体構造 ,  *溶媒露出度

分類 (2件)： 分子構造  (EB03020Y) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (4件)： マルチタスク学習 ,  フレームワーク ,  溶媒 ,  予測