亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Protein function prediction is improved by creating synthetic feature samples with generative adversarial networks

瓶颈 计算机科学 特征(语言学) 生成语法 人工智能 蛋白质功能预测 任务(项目管理) 机器学习 功能(生物学) 数据挖掘 样品(材料) 模式识别(心理学) 质量(理念) 对抗制 蛋白质功能 工程类 基因 生物 嵌入式系统 哲学 化学 认识论 系统工程 进化生物学 生物化学 色谱法 语言学
作者
Cen Wan,David T. Jones
出处
期刊:Nature Machine Intelligence [Nature Portfolio]
卷期号:2 (9): 540-550 被引量:94
标识
DOI:10.1038/s42256-020-0222-1
摘要

Protein function prediction is a challenging but important task in bioinformatics. Many prediction methods have been developed, but are still limited by the bottleneck on training sample quantity. Therefore, it is valuable to develop a data augmentation method that can generate high-quality synthetic samples to further improve the accuracy of prediction methods. In this work, we propose a novel generative adversarial networks-based method, FFPred-GAN, to accurately learn the high-dimensional distributions of protein sequence-based biophysical features and also generate high-quality synthetic protein feature samples. The experimental results suggest that the synthetic protein feature samples are successful in improving the prediction accuracy for all three domains of Gene Ontology through augmentation of the original training protein feature samples. Training machine learning models to predict the function of proteins is limited by the availability of only a small amount of labelled training data. Training can be improved by employing generative adversarial networks to generate additional synthetic protein samples.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
want_top_journal完成签到,获得积分10
1秒前
2秒前
NexusExplorer的应助被包语梦采纳,获得10
3秒前
4秒前
5秒前
6秒前
ldxghh发布了新的文献求助10
10秒前
诚心怀柔完成签到,获得积分10
10秒前
10秒前
医生发布了新的文献求助10
11秒前
vnewgnl的应助被纯情的阁采纳,获得10
14秒前
奔跑的应助被虚心的灵寒采纳,获得10
20秒前
Jasper的应助被虚心的灵寒采纳,获得30
20秒前
py完成签到 ,获得积分10
25秒前
斯文败类的应助被和谐的夏槐采纳,获得10
27秒前
llli完成签到,获得积分10
29秒前
yuan完成签到,获得积分10
30秒前
壮观幻波完成签到,获得积分10
32秒前
含蓄的亦旋完成签到,获得积分10
32秒前
34秒前
38秒前
FY完成签到 ,获得积分10
39秒前
39秒前
庾傀斗发布了新的文献求助10
39秒前
庾傀斗发布了新的文献求助10
41秒前
庾傀斗发布了新的文献求助10
42秒前
JamesPei的应助被lmn采纳,获得10
42秒前
庾傀斗发布了新的文献求助10
43秒前
庾傀斗发布了新的文献求助10
44秒前
庾傀斗发布了新的文献求助10
45秒前
45秒前
风趣含双发布了新的文献求助30
46秒前
庾傀斗发布了新的文献求助10
46秒前
47秒前
Zyy完成签到 ,获得积分10
47秒前
每㐬山风完成签到 ,获得积分10
48秒前
48秒前
50秒前
51秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8172945
求助须知:如何正确求助?哪些是违规求助? 9565447
关于积分的说明 21779948
捐赠科研通 7764804
什么是DOI,文献DOI怎么找? 3431480
关于科研通互助平台的介绍 2555510
邀请新用户注册赠送积分活动 2476564