抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
背景:構造生物学領域において,蛋白質残基-残基接触は,蛋白質構造予測において決定的な役割を果たす。一部の研究者は,予測された残基-残基接触が,デノボ蛋白質構造予測にとって重要な立体配座探索空間を効果的に制約し得ることを見出した。過去数十年間に,関連研究者は残留-残基接触を予測するための様々な方法を開発してきた。特に,近年融合法を用いて有意な性能が達成されている。この研究では,接触を予測するために,ランク戦略に基づく新しい融合方法が提案されている。従来の回帰または分類戦略とは異なり,接触予測タスクはランク付けタスクと見なされる。まず,相関突然変異法とアンサンブル機械学習分類器の2種類の特徴を抽出し,提案された方法は,学習対ランクのアルゴリズムを使用して,各残差対の接触確率を予測する。結果:まず,提案された融合法(RRCRank)の2つのベンチマークテストをそれぞれCASP11データセットとCASP12データセットで実行する。試験結果は,RRCRank法が,特に中程度および短距離の接触について,他のよく開発された方法よりも優れていることを示している。第2に,ランク付け戦略の優位性を検証するために,ランク付け戦略と同じ機能に基づいた従来の回帰分析と分類戦略を使用して接触を予測する。これらの2つの従来の戦略と比較して,提案されたランク付け戦略は,特に長距離接触の3つの接触型についてより良い性能を示す。第3に,提案されたRRCRankは,CASP11およびCASP12におけるいくつかの最先端の方法と比較されている。結果は,RRCRankが匹敵する予測精度を達成することができ,ほとんどの評価基準において3つの方法より優れていることを示している。結論:学習-ランク付けアルゴリズムは,蛋白質の残基-残基接触予測のための新規なランクベースの方法を開発するために導入され,広範囲の評価に基づいて最先端の性能を達成する。(翻訳著者抄録)