要約
タンパク質の二次構造（SS）予測は、タンパク質の構造と機能を研究する上で重要です。シーケンス（プロファイル）情報のみを使用して入力特徴量とする場合、現在の最高の予測器でも約80%のQ3精度しか達成できず、過去10年間で改善されていません。本稿では、DeepCNF（Deep Convolutional Neural Fields）というタンパク質SS予測手法を提案します。DeepCNFは、条件付きニューラルフィールド（CNF）のディープラーニング拡張版であり、CNFは条件付きランダムフィールド（CRF）と浅層ニューラルネットワークを統合したものです。DeepCNFは深層階層構造によって複雑なシーケンス-構造関係だけでなく、隣接するSSラベル間の相互依存関係もモデル化できるため、CNFよりも遥かに強力です。実験結果によると、DeepCNFはCASPおよびCAMEOテストタンパク質においてそれぞれ約84%のQ3精度、約85%のSOVスコア、および約72%のQ8精度を達成し、現行の人気のある予測器を大幅に上回っています。一般的なフレームワークとして、DeepCNFは接触数、無秩序領域、溶媒可及性などの他のタンパク質構造特性を予測するためにも利用できます。