利用深層卷積神經網路增強進化耦合

大家好，本周分享的文獻是Cell Systems上的Enhancing Evolutionary Couplings with Deep Convolutional Neural Networks，通訊作者是UIUC的Peng Jian教授，主要研究方向是利用深度學習網路從蛋白質的contact map中提取信息輔助構建結構。

現有的蛋白質結構預測可以分為基於模板的建模和無模板的建模兩種。基於模板的建模需要同源結構，因此越來越不適合於當下蛋白質結構預測工作的要求。得益於計算機領域的發展和大蛋白質序列資料庫的構建，多序列比對（MSA）中的進化信息為推斷大分子的結構約束提供了豐富的數據來源。但是許多我們感興趣的蛋白質缺乏足夠數量的相關序列，導致其殘基殘基接觸預測背景嘈雜，很容易發生錯誤。本文作者使用了Deep Contact的方法，基於卷積神經網路（CNN）可以從contact map中發現協同進化的特徵圖案，並利用這些圖案來實現接觸概率的準確推斷。

DeepContact以現有方法（如CCMPred）產生的原始進化耦合作為輸入，使用它已經了解的關於結構和接觸圖空間的知識來推斷缺失的接觸並去除虛假的預測，從而對殘基接觸的做出更準確的推斷。而且它自動將耦合分數轉換成概率，使得這些值在蛋白質和序列比對中具有共同的比例，從而簡化了它們的使用和解釋。

http://www.cell.com/cell-systems/fulltext/S2405-4712(17)30542-2

原文引用：

DOI: 10.1016/j.cels.2017.11.014

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！