High-Performance Deep Learning Toolbox for Genome-Scale Prediction of Protein Structure and Function.
High-Performance Deep Learning Toolbox for Genome-Scale Prediction of Protein Structure and Function.
复制标题
DOI：
10.1109/mlhpc54614.2021.00010
复制
发表时间：
2021-11
期刊：
影响因子：
--
通讯作者：
Sedova A
中科院分区：
文献类型：
--
作者：
Gao M;Lund-Andersen P;Morehead A;Mahmud S;Chen C;Chen X;Giri N;Roy RS;Quadir F;Effler TC;Prout R;Abraham S;Elwasif W;Haas NQ;Skolnick J;Cheng J;Sedova A
随着高性能计算（HPC）的出现，计算生物学是众多成熟的创新和加速科学学科之一。近年来，机器学习领域也从采用HPC实践中获得了显著的好处。在这项工作中，我们提出了一种新的HPC管道，它结合了各种机器学习方法，用于在整个基因组的规模上对蛋白质进行基于结构的功能注释。我们的管道广泛使用深度学习，并为高通量数据（如蛋白质组学数据）训练高级深度学习模型的最佳实践提供计算见解。我们展示了我们的管道目前支持的方法，并详细介绍了我们的管道未来的任务，包括使用SAdLSA进行大规模序列比较和使用AlphaFold2预测蛋白质三级结构。
Computational biology is one of many scientific disciplines ripe for innovation and acceleration with the advent of high-performance computing (HPC). In recent years, the field of machine learning has also seen significant benefits from adopting HPC practices. In this work, we present a novel HPC pipeline that incorporates various machine-learning approaches for structure-based functional annotation of proteins on the scale of whole genomes. Our pipeline makes extensive use of deep learning and provides computational insights into best practices for training advanced deep-learning models for high-throughput data such as proteomics data. We showcase methodologies our pipeline currently supports and detail future tasks for our pipeline to envelop, including large-scale sequence comparison using SAdLSA and prediction of protein tertiary structures using AlphaFold2.
登录
查看更多内容
影响因子：
18.2
作者：
Gómez-Bombarelli R;Wei JN;Duvenaud D;Hernández-Lobato JM;Sánchez-Lengeling B;Sheberla D;Aguilera-Iparraguirre J;Hirzel TD;Adams RP;Aspuru-Guzik A
通讯作者：
Aspuru-Guzik A
影响因子：
3
作者：
Eickholt J;Deng X;Cheng J
通讯作者：
Cheng J
影响因子：
4.6
作者：
Gao, Mu;Zhou, Hongyi;Skolnick, Jeffrey
通讯作者：
Skolnick, Jeffrey
影响因子：
5.8
作者：
Gao, Mu;Skolnick, Jeffrey
通讯作者：
Skolnick, Jeffrey
影响因子：
14.9
作者：
UniProt Consortium
通讯作者：
UniProt Consortium