Search

We have built on deep residual neural networks and coevolutionary features to develop two novel deep-learning-based systems, DeepHelicon and DeepTMInter, for sequence-based prediction of residue contacts and interaction sites in TM proteins, respectively. Both systems have undergone systematic supervised-learning processes followed by performance refinement on the currently largest datasets of TM proteins at the <22% and <25% sequence identity levels, respectively., Wir haben auf tiefe verbleibende neuronale Netzwerke und koevolutionären Merkmalen aufgebaut, um zwei neuartige Deep-Learning-basierte Systeme zu entwickeln, DeepHelicon und DeepTMInter, für die sequenzbasierte Vorhersage von Rückstandskontakten bzw. Interaktionsstellen in TM-Proteinen. Beide Systeme wurden systematisch überwachten Lernprozessen unterzogen, gefolgt von einer Leistungsverfeinerung der derzeit größten Datensätze von TM-Proteinen auf den <22 % bzw. <25 %-Sequenzidentitätsniveaus.

We have built on deep residual neural networks and coevolutionary features to develop two novel deep-learning-based systems, DeepHelicon and DeepTMInter, for sequence-based prediction of residue contacts and interaction sites in TM proteins, respectively. Both systems have undergone systematic supervised-learning processes followed by performance refinement on the currently largest datasets of TM proteins at the <22% and <25% sequence identity levels, respectively., Wir haben auf tiefe verbleibende neuronale Netzwerke und koevolutionären Merkmalen aufgebaut, um zwei neuartige Deep-Learning-basierte Systeme zu entwickeln, DeepHelicon und DeepTMInter, für die sequenzbasierte Vorhersage von Rückstandskontakten bzw. Interaktionsstellen in TM-Proteinen. Beide Systeme wurden systematisch überwachten Lernprozessen unterzogen, gefolgt von einer Leistungsverfeinerung der derzeit größten Datensätze von TM-Proteinen auf den <22 % bzw. <25 %-Sequenzidentitätsniveaus.