Protein secondary structure assignment using <i>pc</i> ‐polyline and convolutional neural network
Notice bibliographique
Résumé
Abstract Motivation The assignment of protein secondary structure elements (SSEs) underpins structural analysis and prediction. The backbone of a protein could be adequately represented using a pc ‐polyline that passes through the centers of its peptide planes. One salient feature of pc ‐polyline representation is that the secondary structure of a protein becomes recognizable in a matrix whose elements are the pairwise distances between two peptide plane centers. Thus, a pc ‐polyline could in turn be used to assign SSEs. Results Using convolutional neural network (CNN) here we confirm that a pc ‐polyline indeed contains enough information for it to be used for the accurate assignments of the six SSE types: α ‐helix, β ‐sheet, β ‐bulge, 3 10 ‐helix, turn and loop. The applications to three large data sets show that the assignments by our CNN‐based p2psse program agree very well with those by dssp , stride and quite well with those by five other programs. The analyses of their SSE assignments raise some general questions about the characterizations of protein secondary structure. In particular the analyses illustrate the difficulty with giving a quantitative and consistent definition for each of the six SSE types especially for 3 10 ‐helix, β ‐bulge, turn or loop in terms of either backbone H‐bond patterns, or backbone dihedral angles, or C α ‐polyline or pc ‐polyline. The difficulty suggests that the SSE space though being dominated by the regions for the six SSE types is to a certain degree continuous. Availability The program is available at https://github.com/wlincong/p2pSSE .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».