Accurate contact predictions using covariation techniques and machine learning.
Accurate contact predictions using covariation techniques and machine learning.
复制标题
DOI：
10.1002/prot.24863
复制
发表时间：
2016-09
影响因子：
2.9
通讯作者：
Jones, David T.
中科院分区：
文献类型：
--
作者：
Kosciolek, Tomasz;Jones, David T.
关键词：
在这里，我们展示了CONSIP 2服务器在CASP 11中实现的残基-残基接触预测的结果，该服务器基于我们的MetaPSICOV接触预测方法。在一组40个目标域（中位数家族规模约为40个有效序列）上，我们的服务器实现了平均top-L/5远程接触精度为27%。MetaPSICOV方法基于经典接触预测特征的组合，并通过嵌入两阶段神经网络预测器中的三种不同的协变方法进行增强。我们的方法的一些独特功能是（1）根据输入比对的深度在经典和协变特征之间进行调整，以及（2）通过组合jackHMMer和HHblits来生成最深可能的多序列比对的混合方法。我们讨论了CONSIP 2管道，我们的结果表明，该方法表现不佳，主要因素是依赖于一组固定的参数的初始序列比对，而不是试图执行域分裂作为预处理步骤。蛋白质2016; 84（增刊1）：145-151。版权所有© 2015作者.蛋白质：结构，功能和生物信息学出版的威利期刊，公司。
Here we present the results of residue–residue contact predictions achieved in CASP11 by the CONSIP2 server, which is based around our MetaPSICOV contact prediction method. On a set of 40 target domains with a median family size of around 40 effective sequences, our server achieved an average top‐L/5 long‐range contact precision of 27%. MetaPSICOV method bases on a combination of classical contact prediction features, enhanced with three distinct covariation methods embedded in a two‐stage neural network predictor. Some unique features of our approach are (1) the tuning between the classical and covariation features depending on the depth of the input alignment and (2) a hybrid approach to generate deepest possible multiple‐sequence alignments by combining jackHMMer and HHblits. We discuss the CONSIP2 pipeline, our results and show that where the method underperformed, the major factor was relying on a fixed set of parameters for the initial sequence alignments and not attempting to perform domain splitting as a preprocessing step. Proteins 2016; 84(Suppl 1):145–151. © 2015 The Authors. Proteins: Structure, Function, and Bioinformatics Published by Wiley Periodicals, Inc.
登录
查看更多内容
影响因子：
2.9
作者：
Kim, David E.;DiMaio, Frank;Wang, Ray Yu-Ruei;Song, Yifan;Baker, David
通讯作者：
Baker, David
影响因子：
5.8
作者：
Dunn, S. D.;Wahl, L. M.;Gloor, G. B.
通讯作者：
Gloor, G. B.
影响因子：
2.4
作者：
Ekeberg, Magnus;Lovkvist, Cecilia;Aurell, Erik
通讯作者：
Aurell, Erik
影响因子：
4.1
作者：
Ekeberg, Magnus;Hartonen, Tuomo;Aurell, Erik
通讯作者：
Aurell, Erik
影响因子：
48
作者：
Remmert, Michael;Biegert, Andreas;Soeding, Johannes
通讯作者：
Soeding, Johannes