PS8-Net: A Deep Convolutional Neural Network to Predict the Eight-State\n Protein Secondary Structure
Notice bibliographique
Résumé
Protein secondary structure is crucial to creating an information bridge\nbetween the primary and tertiary (3D) structures. Precise prediction of\neight-state protein secondary structure (PSS) has significantly utilized in the\nstructural and functional analysis of proteins in bioinformatics. Deep learning\ntechniques have been recently applied in this research area and raised the\neight-state (Q8) protein secondary structure prediction accuracy remarkably.\nNevertheless, from a theoretical standpoint, there are still lots of rooms for\nimprovement, specifically in the eight-state PSS prediction. In this study, we\nhave presented a new deep convolutional neural network (DCNN), namely PS8-Net,\nto enhance the accuracy of eight-class PSS prediction. The input of this\narchitecture is a carefully constructed feature matrix from the proteins\nsequence features and profile features. We introduce a new PS8 module in the\nnetwork, which is applied with skip connection to extracting the long-term\ninter-dependencies from higher layers, obtaining local contexts in earlier\nlayers, and achieving global information during secondary structure prediction.\nOur proposed PS8-Net achieves 76.89%, 71.94%, 76.86%, and 75.26% Q8 accuracy\nrespectively on benchmark CullPdb6133, CB513, CASP10, and CASP11 datasets. This\narchitecture enables the efficient processing of local and global\ninterdependencies between amino acids to make an accurate prediction of each\nclass. To the best of our knowledge, PS8-Net experiment results demonstrate\nthat it outperforms all the state-of-the-art methods on the aforementioned\nbenchmark datasets.\n
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».