V
主页
京东 11.11 红包
9.9 小结
发布人
原书信息:清华大学出版社-图书详情-《TensorFlow+Android经典模型从理论到实战(微课视频版)》 http://www.tup.tsinghua.edu.cn/booksCenter/book_09703501.html 第9章 AlphaFold2与蛋白质结构预测 当你读完第9章时,你应该能够: l 理解蛋白质结构预测的基本原理。 l 梳理蛋白质结构预测的进展与技术路线。 l 理解从AlphaFold1到AlphaFold2的演进逻辑。 l 理解AlphaFold2对数据集所做的特别处理。 l 理解AlphaFold2独特的端到端体系框架。 l 理解AlphaFold2之Evoformer模块的运算逻辑。 l 理解AlphaFold2之Structure模块的运算逻辑。 l 理解AlphaFold2之独特的损失函数定义方法。 l 基于AlphaFold预训练模型做蛋白质结构预测。 蛋白质折叠问题是人类需要解决的重大科学前沿问题之一。蛋白质是生命的物质基础,预测和解析蛋白质结构对于探索、揭示生命活动奥秘异常重要。 人类已经能够利用冷冻电镜、核磁共振或 X 射线晶体学等实验技术确定蛋白质的基本结构,但这些技术需要大量试错,科学研究成本高昂。 蛋白质结构预测的关键评估(Critical Assessment of protein Structure Prediction,CASP)竞赛每两年举办一届,是蛋白质结构预测的全球盛会。CASP不同于上述三种传统的实验方法解析蛋白质结构,而是另辟蹊径,绕开大量实验过程,直接基于残基序列,采用计算生物学和机器学习方法预测蛋白质的三维结构,如图9.1所示。 图9.1 直接根据残基序列预测蛋白质三维结构 目前,在解析复杂蛋白质结构的问题上,实验方法的可靠性、确定性仍是不可取代的。但是,机器学习方法正在取得突破性进展,其中的标志性事件即为2020年的CASP14大赛上,AlphaFold2的GDT得分表明它已经在部分领域媲美传统的实验方法。GDT是用来衡量蛋白质结构预测准确性的主要指标,取值范围为0~100分。
打开封面
下载高清视频
观看高清视频
视频下载器
9.4 数据集与特征提取
2.7 MobileNetV3建模
2.6 MobileNetV3解析
2.4 MobileNetV1解析
3.8 激励函数
2.9 三维卷积
4.17 YOLOv5迁移学习
9.5 Evoformer推理逻辑
3.18 Softmax回归
3.16 优化算法
2.23 模型预测
3.15 小结
6.7 数据集分析
5.5 获取URL参数
4.18 生成YOLOv5-TFLite模型
2.14 卷积网络结构剖析
3.26 迁移学习与特征提取
2.10 定义卷积层
4.12 交并比
1.1 数据集
1.17 小结
2.11 简单卷积神经网络
2.16 数据集划分
3.15 Mini-Batch梯度下降
1.8 EfficientNetV2评估
7.12 FaceNet人脸识别模型
4.8 DenseNet121模型定义
2.9 MobileNetV3评估
7.24 小结
2.13 经典结构LeNet-5
1.5 EfficientNetV2解析
8.8 定义DNA序列预测模型
3.14 正则化
4.1 数据集简介
1.4 相关矩阵
4.7 划分数据集
6.16 小结
3.17 参数与超参数
2.11 小结
2024最新 Android Studio 安装配置步骤