[论文解读] DeepSF: deep convolutional neural network for mapping protein sequences to folds

Jie Hou, Badri Adhikari+1 more|arXiv (Cornell University)|Jun 4, 2017

Protein Structure and Dynamics参考文献 32被引用 10

一句话总结

DeepSF 提出一种一维卷积神经网络，可直接将蛋白质序列映射到已知的 1195 种折叠结构中，绕过传统的基于模板的方法。其在 SCOP1.75 上达到 80.4% 的准确率，在 SCOP2.06 上达到 77.0%，在折叠识别任务中优于 HHSearch 4.5%–29.1%，并具备对序列变异具有鲁棒性的特征提取能力。

ABSTRACT

Motivation Protein fold recognition is an important problem in structural bioinformatics. Almost all traditional fold recognition methods use sequence (homology) comparison to indirectly predict the fold of a tar get protein based on the fold of a template protein with known structure, which cannot explain the relationship between sequence and fold. Only a few methods had been developed to classify protein sequences into a small number of folds due to methodological limitations, which are not generally useful in practice. Results We develop a deep 1D-convolution neural network (DeepSF) to directly classify any protein se quence into one of 1195 known folds, which is useful for both fold recognition and the study of se quence-structure relationship. Different from traditional sequence alignment (comparison) based methods, our method automatically extracts fold-related features from a protein sequence of any length and map it to the fold space. We train and test our method on the datasets curated from SCOP1.75, yielding a classification accuracy of 80.4%. On the independent testing dataset curated from SCOP2.06, the classification accuracy is 77.0%. We compare our method with a top profile profile alignment method - HHSearch on hard template-based and template-free modeling targets of CASP9-12 in terms of fold recognition accuracy. The accuracy of our method is 14.5%-29.1% higher than HHSearch on template-free modeling targets and 4.5%-16.7% higher on hard template-based modeling targets for top 1, 5, and 10 predicted folds. The hidden features extracted from sequence by our method is robust against sequence mutation, insertion, deletion and truncation, and can be used for other protein pattern recognition problems such as protein clustering, comparison and ranking.

研究动机与目标

• 直接对蛋白质序列进行分类，将其归入已知折叠结构，而无需依赖序列比对或模板匹配。
• 克服传统折叠识别方法依赖同源性与模板结构的局限性。
• 开发一种深度学习模型，能够直接从原始蛋白质序列中学习与折叠相关的特征。
• 提升折叠识别的准确率，尤其是在无模板及困难模板依赖建模场景下。
• 生成对突变具有鲁棒性的特征，以拓展其在蛋白质模式识别中的广泛应用。

提出的方法

• 训练一维卷积神经网络（CNN）以从任意长度的蛋白质序列中提取分层特征。
• 通过学习的卷积滤波器处理氨基酸序列，检测预测折叠类别的局部与全局模式。
• 将提取的特征进行池化，并通过全连接层预测 1195 种 SCOP 定义的折叠结构之一。
• 在 SCOP1.75 的整理数据集上端到端训练网络，使用交叉熵损失和随机梯度下降优化。
• 评估所学习特征在序列突变、插入、缺失和截断情况下的鲁棒性。
• 在 CASP9–12 目标上对模型性能进行基准测试，涵盖基于模板与无模板的预测任务。

实验结果

研究问题

• RQ1 深度学习模型是否能够不依赖序列比对或已知模板，直接对蛋白质序列进行折叠分类？
• RQ2 所提出方法在折叠识别任务中的性能与最先进的 profile-profile 对齐方法（如 HHSearch）相比如何？
• RQ3 模型所学习的特征在多大程度上对生物相关的序列变异具有鲁棒性？
• RQ4 所提取的特征是否可泛化至其他蛋白质模式识别任务（如聚类与排序）？
• RQ5 该模型在更新版 SCOP 数据库的独立测试集上的准确率如何？

主要发现

• DeepSF 在 SCOP1.75 数据集上实现 80.4% 的分类准确率，表明其在大规模折叠分类任务中表现优异。
• 在 SCOP2.06 的独立测试集上，模型仍保持 77.0% 的高准确率，表明其对新数据具有良好的泛化能力。
• 在 CASP9–12 的无模板建模目标上，DeepSF 在 top-1 折叠识别准确率上优于 HHSearch 14.5%–29.1%。
• 在困难的基于模板建模目标上，DeepSF 在 top-1、top-5 和 top-10 预测中较 HHSearch 提升 4.5%–16.7% 的准确率。
• DeepSF 提取的隐层特征对序列突变、插入、缺失和截断具有鲁棒性，可可靠地应用于下游任务。
• 模型所学习的表征具有可迁移性，且在折叠识别之外的蛋白质聚类、比较与排序任务中也表现出色。