52、蛋白质结构预测与脑诱发电位估计的神经网络与算法研究

蛋白质结构预测与脑诱发电位估计的神经网络与算法研究

在蛋白质结构预测和脑诱发电位估计领域，传统方法存在一定的局限性。为了克服这些问题，研究人员提出了新的神经网络架构和算法。下面将详细介绍相关内容。

蛋白质结构预测中的神经网络模型

在蛋白质二级结构预测中，传统方法通常只能利用感兴趣残基周围约±15个氨基酸内的信息，难以发现更远距离部分的相关信息。为了提高预测性能，特别是β - 折叠区域的识别准确率，提出了双向分段记忆递归神经网络（Bidirectional Segmented - Memory Recurrent Neural Network，BSMRNN），它能够捕捉蛋白质序列中更长范围的依赖关系。

分段记忆递归神经网络（SMRNN）

• 设计灵感 ：人类在记忆长序列时，倾向于将其分成几个片段，先记忆每个片段，再将它们串联起来形成最终序列。基于这一观察，提出了SMRNN。
• 网络结构 ：具有隐藏层H1和H2，分别代表符号级状态和片段级状态，且H1和H2内部都有递归连接。前一周期H1和H2的状态分别复制并存储在上下文层S1和S2中。引入了新属性“间隔（interval）”，表示每个片段的长度。
• 动态方程 ：
• (x_t^i = g(\sum_{j = 1}^{n_X} W_{xx}^{ij} x_{t - 1}^j + \sum_{j = 1}^{n_U} W_{xu}^{ij} u_t^j))
• (y_t^i = g(\sum_{j = 1}^{