تنبؤ هيكل البروتين الثانوي (SS) مهم لدراسة بنية البروتين ووظيفته. عند استخدام معلومات التسلسل (الملف الشخصي) فقط كسمة إدخال، فإن أفضل المتنبئات حاليًا يمكنها تحقيق دقة Q3 تبلغ حوالي 80٪، والتي لم تتحسن خلال العقد الماضي. هنا نقدم DeepCNF (شبكات العصبيات الحقلية التلافيفية العميقة) للتنبؤ بهيكل البروتين الثانوي. يُعد DeepCNF امتدادًا للتعلم العميق لـ Conditional Neural Fields (CNF)، وهو دمج بين Conditional Random Fields (CRF) والشبكات العصبية الضحلة. يمكن لـ DeepCNF أن يُمثل ليس فقط العلاقة المعقدة بين التسلسل والبنية من خلال هندسة عميقة متدرجة، بل أيضًا الارتباط بين العلامات المجاورة لهيكل البروتين الثانوي، مما يجعله أقوى بكثير من CNF. تظهر النتائج التجريبية أن DeepCNF يمكنه تحقيق دقة Q3 تبلغ حوالي 84٪، ونسبة SOV تبلغ حوالي 85٪، ودقة Q8 تبلغ حوالي 72٪ على البروتينات الاختبارية في CASP وCAMEO، مما يتفوق بشكل كبير على المتنبئات الشائعة حاليًا. كإطار عام، يمكن استخدام DeepCNF للتنبؤ بخصائص أخرى لهيكل البروتين مثل عدد الاتصالات، المناطق الفوضوية، وقابلية الذوبان في المذيب.