Advertisement

DeepFam: 一种不依赖比对的深度学习蛋白质家族建模与预测方法

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
DeepFam是一种创新性的深度学习模型，用于蛋白质家族的建模和预测。它突破性地实现了无需序列比对的方法，提高了准确性和效率，为生物信息学研究提供了有力工具。 DeepFam是一种基于深度学习的蛋白质功能预测方法，无需进行序列比对即可完成任务。它通过卷积层从原始序列中提取保守区域特征，并利用这些特征来进行预测。在训练过程中，不需要使用多重或成对的序列比对来构建族模型；相反，采用卷积单元和1-max池化技术来识别并学习家庭内部保存的局部区域。 DeepFam能够通过多尺度卷积单元处理不同长度的家庭保守区段，从而提高准确性与效率。为了安装此工具，您需要先获取代码库或下载源文件包，并确保您的系统已准备好支持CPU和GPU运算环境以及满足Python 2.7版本及Tensorflow超过1.0版本的要求。 使用DeepFam的第一步是克隆GitHub上的存储库或者直接从网站上下载压缩后的源码。具体操作如下： ``` $ git clone https://github.com/bhi-kimlab/DeepFam.git $ cd DeepFam ```

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • DeepFam: 一种不依赖比对的深度学习蛋白质家族建模与预测方法
    优质
    DeepFam是一种创新性的深度学习模型，用于蛋白质家族的建模和预测。它突破性地实现了无需序列比对的方法，提高了准确性和效率，为生物信息学研究提供了有力工具。 DeepFam是一种基于深度学习的蛋白质功能预测方法，无需进行序列比对即可完成任务。它通过卷积层从原始序列中提取保守区域特征，并利用这些特征来进行预测。在训练过程中，不需要使用多重或成对的序列比对来构建族模型；相反，采用卷积单元和1-max池化技术来识别并学习家庭内部保存的局部区域。 DeepFam能够通过多尺度卷积单元处理不同长度的家庭保守区段，从而提高准确性与效率。为了安装此工具，您需要先获取代码库或下载源文件包，并确保您的系统已准备好支持CPU和GPU运算环境以及满足Python 2.7版本及Tensorflow超过1.0版本的要求。 使用DeepFam的第一步是克隆GitHub上的存储库或者直接从网站上下载压缩后的源码。具体操作如下： ``` $ git clone https://github.com/bhi-kimlab/DeepFam.git $ cd DeepFam ```
     
  • 蛋白质二级结构预测：基于机器学习的蛋白质-SS预测
    优质
    本研究聚焦于利用机器学习技术提升蛋白质二级结构（SS）预测精度。通过分析和建模氨基酸序列信息，开发高效准确的预测模型，促进生物信息学领域的发展与应用。 蛋白质二级结构预测可以通过分析其氨基酸序列来进行。首先将所有氨基酸序列合并，并采用20种不同类型的氨基酸及其对应的3个或8个二级结构（分别用E、H和t表示，或者使用另外的8类）。通过滑动窗口技术，在不同的窗口大小下进行处理：例如在21和13的位置上寻找中间位置的氨基酸作为目标结构。每个窗口中的每一个氨基酸都被转换成一个热编码，并且将所有这些单个热编码连接起来形成一个21x20矩阵，这被视为一种黑白图像输入给模型。 尝试了使用CNN、RNN、LSTM或GRU进行预测，但对精度的影响不大。基准测试的结果如下： - 预测3种二级结构：准确率为73% - 预测8种二级结构：准确率为52% 该研究依赖于一些特定的库和工具，包括火狐（Torch）、大熊猫、脾气暴躁的Matplotlib 和海生scikit学习。测试是在Python 3.8.3 x64环境下进行的。 此方法可以应用于不同的数据集以提高预测精度。
     
  • 蛋白质二级结构的预测方法
    优质
    蛋白质二级结构预测是生物信息学中的重要课题，它通过分析氨基酸序列来预测蛋白质链的空间构象。此研究对于理解蛋白质功能至关重要。 通过平衡数据集可以提高蛋白质二级结构预测的准确性。
     
  • Matlab精度验证代码-DeepAcet：用于预测蛋白质赖氨酸乙酰化位点的深度学习架构
    优质
    DeepAcet是一款基于Matlab开发的深度学习工具，专门设计用于预测蛋白质中赖氨酸乙酰化的精确位置。该工具通过高度准确的模型为生物信息学研究提供支持，助力科学家更深入地理解蛋白质修饰机制。 用于预测蛋白质赖氨酸乙酰化位点的深度学习框架使用MATLAB 2016a和TensorFlow 1.6.0，并要求Python版本大于等于3.6。相关代码主要用于精度检验。 文件结构如下： - “深度学习”文件夹包含七个子文件夹，其中六个由不同的编码方案命名，存放的是Python代码。这些代码通过不同编码方法获得的特征向量进行四倍交叉验证以获取预测变量。 - 在“编码方案”文件夹中，MATLAB代码有六种不同的编码方式：Aaindex、BLOSUM62、CKSAAP（K空间氨基酸对组成）、IG（信息增益）、One-hot和PSSM（位置特定计分矩阵）。这些程序可以将蛋白质片段转换为不同尺寸的特征向量。 - “蛋白质捕获”文件夹包含一种程序，能够将蛋白质解释成以赖氨酸为中心、长度相等的片段。使用时，请在该文件夹中放置FASTA格式和蛋白质ID文件。 - “功能组合”文件夹内包括通过结合六种编码方法与F分数组合而获得的最佳模型。运行此程序前需将测试集放入同一路径下的该文件夹中。 六个编码方式简介： 一键式编码，适用于乙酰化位点附近的短片段。
     
  • EP-GBDT：一种基于序列信息预测必需蛋白质的计算方法
    优质
    简介：EP-GBDT是一种创新性的计算模型，通过利用序列信息有效预测细菌中的必需蛋白质。该方法结合梯度提升决策树算法，提升了预测准确性和效率，在生物学研究中具有重要应用价值。 乙交酯EP-GBDT是一种仅通过序列信息进行必需蛋白质预测的计算方法。使用该方法需要安装numpy版本1.18.1、scikit学习版本0.23.1以及imblearn版本0.7.0。 在GitHub项目中，我们提供了一个演示来展示如何使用EP-GBDT。原始数据文件夹包含用于必需蛋白质预测的原始蛋白质序列及其标签。此外，“加工的特征”文件夹提供了通过伪氨基酸组成（PseAAC）工具获得的处理过的蛋白质序列特征。“预测结果”文件夹则包含了基于8种中心方法得出的结果，包括原始PPI网络和每个中心方法产生的结果。 在演示中使用的data_h.pkl和data_y.pkl分别存储了由随机种子202010086生成的训练集与测试集。使用相同的随机种子可以确保您能够得到与本段落相同的研究成果。此外，我们还提供了一个名为train_main的python文件来指导如何进行操作。
     
  • 新方法利用蛋白质序列信息预测蛋白质间相互作用
    优质
    本研究提出了一种基于蛋白质序列的新方法，有效提升了蛋白质之间相互作用的预测准确性，为理解生命过程中的分子机制提供了有力工具。 蛋白质-蛋白质相互作用（PPI）在几乎所有细胞过程中都至关重要，包括代谢循环、DNA转录与复制以及信号级联反应。然而，用于识别这些相互作用的实验方法既耗时又成本高昂。因此，开发能够预测PPI的计算方法显得尤为重要。 本研究提出了一种仅依赖蛋白质序列信息来预测PPI的方法。该方法结合了极限学习机（ELM）这一创新的学习算法与一种新颖的局部蛋白质序列描述符表示法。这种局部描述符揭示了蛋白质序列中连续和不连续区域中的氨基酸相互作用，从而有助于从蛋白质序列中提取更多关于PPI的信息。 极限学习机是一种基于随机生成输入到隐藏单元权重并解析线性方程组以获得隐藏层至输出层的精确权值来实现快速准确分类的方法。在分析酿酒酵母（Saccharomyces cerevisiae）的PPI数据时，该方法达到了89.09%的预测精度、89.25%的灵敏度和88.96%的准确性。 通过广泛的实验比较了本研究提出的方法与现有的支持向量机（SVM）技术。结果显示，所提方法在预测PPI方面具有良好的前景，并可作为现有技术支持的有效补充手段。
     
  • 对当前计算方法在内在无序蛋白质及区域预测中的全面回顾与对比
    优质
    本文全面回顾并对比了当前用于预测内在无序蛋白质及其区域的各种计算方法，旨在为研究者提供指导和参考。 对内在无序蛋白质及其区域预测的现有计算方法进行全面综述与比较。
     
  • 多种目标检测算法的深度学习对比分析
    优质
    本研究深入探讨并比较了当前主流的目标检测深度学习算法，旨在为相关领域的研究人员提供参考和借鉴。 深度学习中的多种目标检测算法对比分析，适合从事深度学习研发的工作人员参考，帮助进行模型选取。
     
  • 蛋白质序列对比中的动态规划算法
    优质
    《蛋白质序列对比中的动态规划算法》一文深入探讨了利用动态规划技术进行蛋白质序列比对的方法，强调其在生物信息学领域的重要性。文章详细介绍了如何通过优化算法提高序列比对的速度和准确性，为研究者提供了理论基础与实践指导。 使用动态规划算法来比对蛋白质序列的Perl语言源程序可以进行如下描述：该程序采用动态规划方法实现蛋白质序列的对比分析功能，代码编写采用了Perl编程语言。