ディープラーニングを利用したタンパク質天然変性領域予測

• Item type: SIG Technical Reports(1)
• 公開日: 2015-03-13
• タイトル: ディープラーニングを利用したタンパク質天然変性領域予測
• タイトル / 言語: en
• タイトル: Protein Disorder Prediction Using Deep Networks
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京工業大学大学院情報理工学研究科計算工学専攻／東京工業大学情報生命博士教育院
• 著者所属: 東京工業大学大学院情報理工学研究科計算工学専攻／東京工業大学情報生命博士教育院
• 著者所属: 東京工業大学大学院情報理工学研究科計算工学専攻／東京工業大学情報生命博士教育院
• 著者所属(英): en
• 著者所属(英): Graguated School of Information Science and Engineering, Tokyo Institute of Technology / Education Academy of Computational Life Sciences, Tokyo Institute of Technology
• 著者所属(英): en
• 著者所属(英): Graguated School of Information Science and Engineering, Tokyo Institute of Technology / Education Academy of Computational Life Sciences, Tokyo Institute of Technology
• 著者所属(英): en
• 著者所属(英): Graguated School of Information Science and Engineering, Tokyo Institute of Technology / Education Academy of Computational Life Sciences, Tokyo Institute of Technology
• 著者名: 相澤, 洋輔; 石田, 貴士; 秋山, 泰
• 著者名(英): Yousuke, Aizawa; Takashi, Ishida; Yutaka, Akiyama
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 多くのタンパク質には特定の構造をとらない天然変性領域と呼ばれる区間が存在している．計算機を用いた機械学習により，タンパク質のアミノ酸配列をもとにした天然変性領域の様々な予測手法が提案されている．また，近年画像認識や音声認識で良い成果を上げたことで注目されている機械学習の手法として，ディープラーニングがある．ディープラーニングを利用したタンパク質の天然変性領域予測の手法としては，deep belief networks を利用した DNdisorder が提案されているが，その予測精度は最良の結果ではなかった．そこで本研究では，ディープラーニングにおけるもうひとつの手法である stacked denoising autoencoders を利用したタンパク質の天然変性領域予測を行った．提案手法の評価として，CASP9 データセットをテストデータとした予測性能評価を行い，ROC 曲線下面積で DNdisorder を超える性能を達成した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Many proteins include flexible regions generally called disordered region. Some methods for accurate prediction of disorder regions are proposed. We focus on deep learning because deep networks have already been successful predictors in the fields of image recognition and speech recognition. DNdisorder, which is the disorder predictor using deep learning with deep belief networks, was proposed, but its performance was not the best in the CASP9 evaluation. Thus, we tried to apply stacked denoising autoencoder, which is another method of deep learning, to the prediction of disordered protein regions. As a result, the proposed method is achieved performance of over DNdisorder in the CASP9 evaluation.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2015-BIO-41, 号 13, p. 1-6, 発行日 2015-03-13
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会