摘要
蛋白质二级结构（SS）预测对于研究蛋白质的结构和功能至关重要。当仅使用序列（谱型）信息作为输入特征时，目前最好的预测器可以达到约80%的Q3准确率，这一水平在过去十年中并未得到显著提升。本文介绍了一种用于蛋白质二级结构预测的深度学习方法——DeepCNF（深度卷积神经场）。DeepCNF 是条件神经场（CNF）的深度学习扩展，而条件神经场则是条件随机场（CRF）和浅层神经网络的结合体。DeepCNF 不仅可以通过深层层次结构建模复杂的序列-结构关系，还可以捕捉相邻二级结构标签之间的相互依赖性，因此其性能远超传统的 CNF。实验结果表明，DeepCNF 在 CASP 和 CAMEO 测试蛋白上分别达到了约84%的Q3准确率、约85%的SOV得分以及约72%的Q8准确率，大幅优于当前流行的预测器。作为一种通用框架，DeepCNF 还可用于预测其他蛋白质结构属性，如接触数、无序区域和溶剂可及性。