利用深层卷积神经网络增强进化耦合

大家好，本周分享的文献是Cell Systems上的Enhancing Evolutionary Couplings with Deep Convolutional Neural Networks，通讯作者是UIUC的Peng Jian教授，主要研究方向是利用深度学习网络从蛋白质的contact map中提取信息辅助构建结构。

现有的蛋白质结构预测可以分为基于模板的建模和无模板的建模两种。基于模板的建模需要同源结构，因此越来越不适合于当下蛋白质结构预测工作的要求。得益于计算机领域的发展和大蛋白质序列数据库的构建，多序列比对（MSA）中的进化信息为推断大分子的结构约束提供了丰富的数据来源。但是许多我们感兴趣的蛋白质缺乏足够数量的相关序列，导致其残基残基接触预测背景嘈杂，很容易发生错误。本文作者使用了Deep Contact的方法，基于卷积神经网络（CNN）可以从contact map中发现协同进化的特征图案，并利用这些图案来实现接触概率的准确推断。

DeepContact以现有方法（如CCMPred）产生的原始进化耦合作为输入，使用它已经了解的关于结构和接触图空间的知识来推断缺失的接触并去除虚假的预测，从而对残基接触的做出更准确的推断。而且它自动将耦合分数转换成概率，使得这些值在蛋白质和序列比对中具有共同的比例，从而简化了它们的使用和解释。

http://www.cell.com/cell-systems/fulltext/S2405-4712(17)30542-2

原文引用：

DOI: 10.1016/j.cels.2017.11.014