Acceso usuarios
Diego Fernando Peña, Néstor Díaz, Víctor Andrés Bucheli
Deducir la estructura secundaria de una proteína a partir de su cadena de aminoácidos es una importante etapa de clasificación intermedia que es utilizada para obtener estructuras nativas con un mayor grado de precisión. Si bien actualmente los modelos de aprendizaje profundo han demostrado tener los mejores resultados de predicción, estos denotan un elevado costo computacional debido al gran número de parámetros que los definen. En este sentido, surge la necesidad de buscar métodos que permitan la implementación de modelos más simples que puedan superar o igualar de forma eficiente el desempeño de arquitecturas robustas.
En este artículo se realiza la predicción de la estructura secundaria a través de redes neuronales convolucionales donde se demuestra que la compresión del espacio de alta dimensión original a un conjunto de características más compactas puede mejorar el proceso de aprendizaje de una red neuronal convolucional con un mayor número de parámetros.
The deduction of protein secondary structure only with its amino acid chain depicts an important intermediate stage used to obtain native protein structures with higher accuracy. In spite of current models based on deep learning have presented the best results, they are defined by an important number of parameters which is reflected in a considerable computational cost. In this sense, there is a need for searching methods for the implementation of simpler models which can reach or improve the performance of robust architectures. This paper uses one-dimensional convolutional neural networks to accomplish protein secondary structure prediction where is possible to demote that embed the high dimensional data into more compact features can improve or match the learning process in a convolutional neural network with a greater number of inputs and parameters.
