文献

J-GLOBAL ID：201702263339161216   整理番号：17A1267702

蛋白質構造予測のための統一された深層学習モデル【Powered by NICT】

A Unified Deep Learning Model for Protein Structure Prediction

著者 (2件)： Bai Lin ,  Yang Lina
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CYBCONF  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 一次アミノ酸配列から予測蛋白質三次構造はバイオインフォマティックスで最も困難な問題の一つ,医療科学の分野で重要な影響を与えるものである。困難は予測を改善するための最も有用な,適切な蛋白質特徴を学習する方法である。本論文では,蛋白質三次構造予測を改善するための新しい統一深層学習モデルを提案した。本研究のコア寄与は対質問と標的蛋白質配列の高レベル関係特徴を直接学習できることを深い畳込みニューラルネットワーク(深いCNN)の1群である。深いCNNは低レベルからの収束蛋白質特性表現を統合したサンプリングすることにより階層における対蛋白質配列からの高レベル関係特徴を学習することができる。多重深部CNNは異なる側面からのロバストな蛋白質構造類似性を達成するように設計されている。これら関係特徴は完全にはトップ二制限付きBoltzmannマシン(RBMS)層に接続された大域的関係の特徴をさらに抽出し,これは蛋白質構造予測を有意に改善した。SCOPeデータセット,有名なベンチマーク上で行った実験は,このモデルが種々の統計的測定における最新技術手法の性能を上回ることを示した。結果はまた,筆者らの深部学習モデルは蛋白質特性の学習を向上させることができることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *予測 ,  Boltzmannマシン ,  ロバスト性 ,  ベンチマーク ,  *学習 ,  類似性 ,  *学習モデル ,  アミノ酸配列 ,  *タンパク質
準シソーラス用語： *蛋白質構造 ,  標的蛋白質 ,  バイオインフォマティクス ,  蛋白質三次構造 ,  *深層学習 ,  *蛋白質構造予測 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 蛋白質構造予測 ,  深層学習 ,  モデル