La prédiction de la structure secondaire des protéines (SS) est cruciale pour l'étude de leur structure et de leur fonction. Lorsque seule l'information séquentielle (profil) est utilisée comme caractéristique d'entrée, les meilleurs prédicteurs actuels atteignent une précision Q3 d'environ 80 %, ce qui n'a pas évolué au cours de la dernière décennie. Nous présentons ici DeepCNF (Deep Convolutional Neural Fields) pour la prédiction de la SS des protéines. DeepCNF est une extension du machine learning profond des Conditional Neural Fields (CNF), qui intègrent les Conditional Random Fields (CRF) et les réseaux neuronaux peu profonds. DeepCNF peut non seulement modéliser des relations complexes entre séquence et structure grâce à une architecture hiérarchique profonde, mais aussi capturer les interdépendances entre les étiquettes SS adjacentes, ce qui le rend beaucoup plus puissant que CNF. Les résultats expérimentaux montrent que DeepCNF peut atteindre respectivement une précision Q3 d'environ 84 %, un score SOV d'environ 85 % et une précision Q8 d'environ 72 % sur les protéines de test CASP et CAMEO, surpassant largement les prédicteurs populaires actuels. En tant que cadre général, DeepCNF peut être utilisé pour prédire d'autres propriétés structurales des protéines telles que le nombre de contacts, les régions désordonnées et l'accessibilité solvante.