55、机器学习在蛋白质结构预测与健康助手领域的应用

机器学习在蛋白质结构预测与健康助手领域的应用

1. 机器学习在蛋白质结构预测中的应用

1.1 机器学习方法在4 - D结构预测中的应用

在1 - D到4 - D蛋白质结构预测方面，人工智能方法被广泛应用。例如，用于预测蛋白质溶解度、稳定性、信号肽、细胞内蛋白质定位、蛋白质修饰位点（如磷酸化位点）以及蛋白质表位等。

1.2 深度学习方法

1.2.1 前馈神经网络（FFNN）

无循环的人工神经网络就是前馈神经网络。分层的FFNN中，节点可分为有序的组（层），第一层是输入层，最后一层是输出层，中间层为隐藏层。分层FFNN具有通用计算特性，可使用反向传播算法进行训练。自80年代后，它被用于预测一维蛋白质二级结构（PSA）。在其“窗口化”版本中，序列中固定数量的氨基酸片段被视为不同模型的输入，目标是该片段中某个氨基酸（通常是中间的那个）的PSA。

1.2.2 深度学习

深度学习是基于人工神经网络的人工智能子领域，强调使用多个连接层将输入转换为能够预测相应输出的特征。通过调整网络中各层的一组参数，给定足够大的输入输出数据集，训练算法可以自动学习从输入到输出的映射。在特定情况下，FFNN或相关基本单元是深度学习系统的基本构建块。这种设计灵活性使深度学习模型能够针对特定类型的信息进行优化，并通过不同的网络结构组合成深度堆栈。一般来说，深度学习模型可以通过对样本进行反向传播进行训练，从而为任务学习到有效的数据内部表示。这种特征的自动学习有效地消除了手动特征工程的需求，而手动特征工程在其他人工智能方法中是一项艰巨且容易出错的任务，需要该领域的专业知识。

1.2.3 卷积神经网络（CN