知识卡片
距离学习辅助结构预测
蛋白质序列到三维构象的问题,可通过学习残基对之间的空间距离来获得约束。原文介绍的早期AlphaFold使用已有结构数据训练卷积模型,再预测相关距离。这与直接复制某个已知结构模板不同,但仍依赖数据和模型假设,不能读成没有信息先验的凭空推断。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 信息革命对生物学研究的影响 基因组大科学的技术依赖与治理取舍 · 查看原书依据
AlphaFold的核心是卷积神经网络,它以蛋白质数据库中的结构作为训练数据,学习预测蛋白质残基对的碳原子之间的距离。 Sinsheimer RL. The Santa Cruz Workshop-May-1985. Genomics. 1989;4(4):9
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》信息革命对生物学研究的影响,基因组大科学的技术依赖与治理取舍(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section02.xhtml)
- 结论依据:此处明确针对书中2020年前后介绍的早期工作,不把卷积架构说成AlphaFold所有后续版本的统一实现。
- 原始内容:AlphaFold的核心是卷积神经网络,它以蛋白质数据库中的结构作为训练数据,学习预测蛋白质残基对的碳原子之间的距离。 Sinsheimer RL. The Santa Cruz Workshop-May-1985. Genomics. 1989;4(4):9