La prédiction de la structure secondaire des protéines a été un sujet central de recherche en bioinformatique depuis des décennies. Malgré cela, même les prédicteurs ab initio les plus sophistiqués ne parviennent pas à atteindre la limite théorique de précision pour la prédiction à trois états (88–90 %), et seuls quelques-uns proposent plus de trois classes traditionnelles : hélice, feuillet β et boucle. Dans cette étude, nous présentons des tests menés sur divers modèles entraînés à partir de séquences uniques ou de profils évolutive, et développons un nouveau système de pointe, Porter 5. Porter 5 repose sur des ensembles de réseaux de neurones récurrents bidirectionnels en cascade couplés à des réseaux de neurones convolutifs, intègre de nouvelles techniques d’encodage d’entrée et est entraîné sur un large ensemble de structures protéiques. Porter 5 atteint une précision de 84 % (81 % SOV) sur trois classes et 73 % (70 % SOV) sur huit classes lorsqu’il est testé sur un ensemble indépendant important. Dans nos évaluations, Porter 5 est 2 % plus précis que sa version précédente et dépasse ou égale les prédicteurs les plus récents que nous avons testés. Lorsque Porter 5 est réentraîné sur des jeux de données basés sur SCOPe, éliminant ainsi la homologie entre les échantillons d’entraînement et de test, les résultats restent similaires. Porter est disponible sous forme de serveur web et de programme autonome à l’adresse http://distilldeep.ucd.ie/porter/, accompagné de tous les jeux de données et alignements utilisés.