[논문 리뷰] MUFold-SS: Protein Secondary Structure Prediction Using Deep Inception-Inside-Inception Networks

Chao Fang, Yi Shang외 1명|arXiv (Cornell University)|2017. 09. 12.

Advanced Malware Detection Techniques참고 문헌 27인용 수 5

한 줄 요약

MUFold-SS는 단백질 2차 구조를 아미노산 서열과 PSI-BLAST 프로파일을 사용하여 예측하는 데 사용하는 딥 인셉션 인사이드 인셉션 신경망인 Deep3I를 도입한다. CB513 기준으로 Q3 정확도 82.8%와 Q8 정확도 71.1%를 기록하며 기존 방법들보다 정확도와 속도 면에서 모두 뛰어난 성능을 보인다.

ABSTRACT

Motivation: Protein secondary structure prediction can provide important information for protein 3D structure prediction and protein functions. Deep learning, which has been successfully applied to various research fields such as image classification and voice recognition, provides a new opportunity to significantly improve the secondary structure prediction accuracy. Although several deep-learning methods have been developed for secondary structure prediction, there is room for improvement. MUFold-SS was developed to address these issues. Results: Here, a very deep neural network, the deep inception-inside-inception networks (Deep3I), is proposed for protein secondary structure prediction and a software tool was implemented using this network. This network takes two inputs: a protein sequence and a profile generated by PSI-BLAST. The output is the predicted eight states (Q8) or three states (Q3) of secondary structures. The proposed Deep3I not only achieves the state-of-the-art performance but also runs faster than other tools. Deep3I achieves Q3 82.8% and Q8 71.1% accuracies on the CB513 benchmark.

연구 동기 및 목표

• 딥 러닝을 활용해 단백질 2차 구조 예측의 정확도를 향상시키는 것.
• 2차 구조 예측을 위한 더 빠르고 정확한 딥 신경망 아키텍처를 개발하는 것.
• 새로운 네트워크 설계를 통해 시퀀스와 프로파일 정보를 효과적으로 통합하는 것.
• CB513과 같은 표준 벤치마크에서 최고 성능을 달성하는 것.
• 고정밀도 2차 구조 예측을 위한 공개 도구를 제공하는 것.

제안 방법

• 깊이 있는 인셉션 인사이드 인셉션 네트워크(Deep3I)를 사용하며, 다수의 인셉션 모듈을 계층적으로 스택하여 구성한다.
• 네트워크는 두 가지 입력을 처리한다: 주요 아미노산 서열과 PSI-BLAST로 생성된 위치 특화 스코어 매트릭스(PSSM).
• 각 인셉션 모듈 내에서 1x1, 3x3, 5x5 컨볼루션 필터를 사용해 다중 척도 특징을 캡처한다.
• 스킵 연결과 배치 정규화를 사용해 학습 안정성과 기울기 흐름을 향상시킨다.
• 최종 레이어는 여덟 가지 2차 구조 상태(Q8) 또는 세 가지 상태(Q3)의 확률을 출력한다.
• 교차 엔트로피 손실을 사용한 확률적 경사 하강법을 통해 엔드 투 엔드로 모델을 학습시킨다.

실험 결과

연구 질문

• RQ1 딥 인셉션 인사이드 인셉션 네트워크 아키텍처가 기존 딥 러닝 방법을 초월해 2차 구조 예측 정확도를 향상시킬 수 있는가?
• RQ2 딥 컨볼루션 신경망을 통해 시퀀스와 프로파일 정보를 통합하면 예측 성능가 어떻게 향상되는가?
• RQ3 제안된 Deep3I 아키텍처는 고정밀도를 유지하면서도 더 빠른 추론 시간을 달성할 수 있는가?
• RQ4 표준 벤치마크에서 다양한 단백질 가족 간에 모델의 일반화 능력은 어느 정도인가?
• RQ5 네트워크 설계가 2차 구조 예측에서 과적합을 줄이고 학습 안정성을 향상시킬 수 있는가?

주요 결과

• MUFold-SS는 CB513 기준 Q3 정확도 82.8%를 기록하여 최고 수준의 성능을 달성한다.
• 동일한 벤치마크에서 Q8 정확도 71.1%를 확보하여 이전 방법들보다 뚜렷이 뛰어난 성능을 보인다.
• Deep3I 아키텍처는 다른 딥 러닝 기반 2차 구조 예측기보다 더 빠른 추론 속도를 제공한다.
• 시퀀스 데이터와 PSI-BLAST 프로파일의 통합은 예측의 정확도와 강건성을 향상시킨다.
• 계층적인 인셉션 설계는 다중 척도의 서열 및 진화적 특징을 효과적으로 캡처한다.
• 벤치마크 데이터셋 내 다양한 단백질 가족에 걸쳐 강력한 일반화 능력을 보여준다.