基因型采样用于深度学习的辅助实验绘制一个组合完整的健身景观的实验绘制

科学领域:

• 进化生物学是进化的生物学.
• 蛋白质工程是一种蛋白质工程.
• 计算生物学是一种计算生物学.

背景情况:

• 健身景观的实验性表征至关重要,但受到大量基因型的阻碍.
• 深度学习为从有限的实验数据中预测基因型适应性提供了一个潜在的解决方案.

研究的目的:

• 调查最佳采样策略,以训练深度学习模型来预测蛋白质健身格局.
• 为了评估各种神经网络架构在实验衍生的健身景观数据上的性能.

主要方法:

• 利用了大规模的,公开可用的数据集,包括超过26万种蛋白质基因型及其实验测量的健康状况.
• 训练和评估多个深度学习架构,包括多层感知子,反复的神经网络,卷积网络和变压器.
• 基于不同训练数据采样策略的性能比较:随机,统一,最大限度地减少同义序列,最大限度地增加多样性和代码使用偏差.

主要成果:

• 深度学习模型解释了90%以上的健身变异,其中90%的性能仅使用大约103个序列实现.
• 随机和同义序列最小化采样策略为未见数据提供了最佳的概括性能.
• 采样策略专注于最大限度地提高序列多样性或编码子使用偏差,显著降低了模型性能.

结论:

• 通过深度学习和精心选择的采样方法,可以有效地预测蛋白质健身景观.
• 在这种情况下,简单的抽样策略,如随机或同义序列最小化,是训练深度学习模型最有效的.
• 这些发现对加速进化生物学研究和蛋白质工程工作有影响.