تمثّل تنبؤ هيكل البروتين الثانوي موضوعًا رئيسيًا في البحث في علم الحاسوب الحيوية على مدى عقود. وعلى الرغم من ذلك، لا تزال أكثر نماذج التنبؤ المُبتدئة تطورًا (ab initio) غير قادرة على الوصول إلى الحد النظري لدقة التنبؤ ثلاثي الحالات (88–90٪)، في حين أن عدد قليل جدًا منها يتنبأ بفئات تتجاوز الثلاث فئات التقليدية: اللولب (Helix) والشريط (Strand) واللولب المُتَعَلِّق (Coil). في هذه الدراسة، نقدم اختبارات على نماذج مختلفة تم تدريبها باستخدام إدخالات مكونة من تسلسل واحد أو مُدخلات تعتمد على الملفات التطورية (evolutionary profiles)، ونُقدّم نظامًا جديدًا من الطراز الرائد (state-of-the-art) يُسمّى Porter 5. يتكون Porter 5 من مجموعات متعددة من الشبكات العصبية التكرارية الثنائية الاتجاه (Bidirectional Recurrent Neural Networks) والشبكات العصبية التلافيفية (Convolutional Neural Networks) المُتسلسلة (cascaded)، ويُدمج تقنيات جديدة في ترميز المدخلات، ويُدرّب على مجموعة كبيرة من هياكل البروتينات. يحقق Porter 5 دقة قدرها 84٪ (81٪ SOV) عند اختباره على ثلاث فئات، ودقة 73٪ (70٪ SOV) عند اختباره على ثمانية فئات، وذلك على مجموعة مستقلة كبيرة. في اختباراتنا، يتفوّق Porter 5 بنسبة 2٪ على النسخة السابقة له، ويتفوّق أو يُساوي أحدث نماذج التنبؤ بالهيكل الثانوي التي قُمنا باختبارها. كما حصلنا على نتائج مماثلة عند إعادة تدريب Porter 5 على مجموعات مبنية على تصنيف SCOPe، والتي تُقلّل من التشابه الوراثي بين عينات التدريب والاختبار. يُتاح Porter كخادم ويب وبرنامج مستقل عبر الرابط: http://distilldeep.ucd.ie/porter/، إلى جانب جميع المجموعات البيانات والتوافيق (alignments).