作者windincloud (雲淡風輕)
看板BioMedInfo
標題Re: [問題] 請問版上高手 蛋白質預測的問題
時間Mon Jun 16 19:12:52 2008
※ 引述《liturtle (超屌師大附友會)》之銘言:
: 原文恕刪~~~
: 我想我的疑問沒有被解答
: 就直接回文來討論一下吧
: 我這邊認為的蛋白質預測
: 是指 丟入蛋白質的胺基酸序列給軟體
: "預測"出他的"三級"結構
: 那麼如果是一開始就有PDB檔 就代表他的結構已經被解出
: 打開裡面就可以看到坐標
: 丟到類似PYMOL 或是 CHIME 之類的軟體 即可以"秀出"結構立體圖
: 但這些都不是"預測"吧 因為結構都已經解出來 座標都被標定了 怎樣能算是預測?
: 另外DSSP我知道
: 我們做的結構比對軟體基本上就是利用他來做training
: 不過這個程式也是需要PDB檔 這樣也不算是預測吧
: 最後
: 我當然了解二級結構需要被預測
: 但我指的是 現在要算出二級的軟體很多
: 但是要"預測"出"三級結構"的其實幾乎沒有
: PS.以上問題 都要在我們認為的"預測"定義相同 才可以成立
嗯~ 我可能講的不夠清楚
其實這邊預測的的確確是可以做到給定一未知protein 然後預測出其二級結構
我所提的方法只是所謂建立一個model
而model的建立當然是由一個已知的資訊才能建立
所謂用machine learing的方式是說
我提供屬性及答案給機器讓他像人一樣去學習
當學習後機器會根據他所學到的知識建立一個model
然後就可以將你想要得知protein "二級結構"的樣子預測出來
這邊要特別要說的是因為屬性給的不一樣(可能會有物化屬性等等)
所以剛剛有回文提到homology modeling 我想可能會有些許的差異才對
不過基本上還是建立model然後根據model再來預測
再來L大所提到三級結構預測
這目前真的很難用電腦計算去得知
所以要是L大將預測定義是預測出給定一條未知protein序列得到其三級結構
那就比較沒法
但是要是要是forcus在二級結構則是可以的
--
通常我們稱"預測"時都會說明是預測是啥問題
所以看到預測蛋白質結構時我會直覺是預測蛋白質二結構(上課被荼毒太久的直覺反應)
這邊要跟L大說聲不好意思
--
最近有看到所謂預測 β-barrel protein 的問題
因為β-barrel protein樣子比較固定
http://www.biologie.uni-konstanz.de/folding/Structure%20gallery%201.html
所以有人也會提高β-strain的預測甚至預測出其是anti-parallel或是parallel
這樣可以畫出預測的β-barrel protein三級結構
不知這樣可以算預測出三級結構嗎? XD
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.138.155.216
1F:推 liturtle:收到 我了解了 XD 話說後來丟的那個網址好有趣 感謝啦~ 06/16 19:57
2F:推 nightcatman:你現在用的machine learning是哪一種呢? 據我所知目前 06/16 20:13
3F:→ nightcatman:結構上好像是以rule-based比較多 06/16 20:13
4F:→ nightcatman:不過我很久沒碰這塊了 也許資訊不夠新 06/16 20:14
5F:→ hgsfhevil:其實,也是有軟體,可以根據序列資訊去預測二級結構 06/16 21:03
6F:→ hgsfhevil:但是,如果考慮到實驗驗證性,pdb是一個不錯選擇 06/16 21:05
7F:→ hgsfhevil:目前,要預測三級結構,通常還是利用預測軟體去預測 06/16 21:06
8F:→ hgsfhevil:三級結構的答案,之後,再用二級結構當屬性去預測 06/16 21:07
9F:推 masamonster:ML似乎有點被過份利用了~ 畢竟他還是只能學習到已知 06/16 22:37
10F:→ masamonster:的資訊,當一個未知的資訊進入後,這個model效果 06/16 22:38
11F:→ masamonster:就會沒有預測已知的好~ 06/16 22:38
12F:→ hgsfhevil:因此,也造成很多生物學家不相信ML預測出來的結果 06/16 23:01
13F:推 masamonster:其實很多資訊學家也不相信ML的結果 :p 06/17 00:56
14F:推 nightcatman:不相信+1 以前越做越心虛,最後受不了就跳離這領域 06/17 01:42
15F:→ windincloud:其實也沒啥心不心虛的問題 只是屬性怎加怎玩 讓人匪夷 06/17 16:10
16F:→ windincloud:所思 不過基本上原理還是基於統計理論 不至於全不可信 06/17 16:11
17F:推 masamonster:嗯嗯,ML還是有其理論,只是謹慎使用才能達到目的 06/17 18:24
18F:→ masamonster:而不是什麼都要靠ML~ 06/17 18:24
19F:→ hgsfhevil:回到一個重點,生物背景要充實,會導致一堆人不信任ML 06/17 19:05
20F:→ hgsfhevil:不是它不好,而是大部分ML的人,幾乎是沒有依據的 06/17 19:07
21F:→ hgsfhevil:加上屬性,導致可信度很低,最初使用ML的人,考慮很詳細 06/17 19:08
22F:→ hgsfhevil:因此,幾乎每篇評價不低,但是後來,一堆人亂搞,結果就... 06/17 19:09