文献

J-GLOBAL ID：201702244165276407   整理番号：17A0408786

深学習法を用いた蛋白質二次構造予測【Powered by NICT】

Protein secondary structure prediction by using deep learning method

著者 (3件)： Wang Yangxu (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China) ,  Mao Hua (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China) ,  Yi Zhang (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 118  ページ： 115-123  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： アミノ酸配列から直接蛋白質構造の予測は計算生物学における最も大きな課題の一つである。蛋白質二次構造(SS)予測が基本であるいくつかの独立した副問題に分けることができる。多くの計算法がSS予測問題のために提案された。それらのいくつかは,入力蛋白質特徴とSS間の配列-構造マッピング関係,およびSS予測には,共に重要な残基間の相互作用関係の両方を良くモデル化できる。本論文では,このSS予測問題を解くための二次構造再発エンコーダ-デコーダネットワーク(SSREDNs)と呼ばれる深い再発符号器-復号器ネットワークを提案した。深いアーキテクチャおよび再発性構造はSSREDNsで採用されている入力蛋白質特徴とSS間の複雑な非線形写像関係,蛋白質鎖の連続残基間の相互作用の両方をモデル化した。一連の技術もモデルの性能を改良するために本論文で使用されている。提案したモデルは,オープンデータセットCullPDBとCB513に適用した。実験結果は,この方法がいくつかの公共利用可能な方法に比べて両Q3とQ8精度を改善できることを実証した。Q8予測問題では,以前の最先端の方法よりも良好な少ない時期におけるCB513とCullPDBデータセット上で68.20%と73.1%の精度を達成した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 写像 ,  モデリング ,  復号器 ,  *タンパク質 ,  *二次構造 ,  アミノ酸配列 ,  ネットワーク ,  再発 ,  相互作用 ,  符号器
準シソーラス用語： *二次構造予測 ,  残基 ,  計算生物学 ,  蛋白質構造 ,  *蛋白質二次構造 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深い学習 ,  二次構造予測 ,  符号器復号器ネットワーク ,  リカレントニューラルネットワーク

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (2件)： 蛋白質二次構造 ,  予測