Key points are not available for this paper at this time.
تمت العديد من المحاولات لحل مشكلة توقع الهيكل الثانوي للبروتين من التسلسل الأولي ولكن نتائج الأداء الأفضل لا تزال مخيبة للآمال. في هذه الورقة، تم إظهار أن استخدام خوارزمية التعلم الآلي التي تسمح بالوصف العلاقي تؤدي إلى تحسين الأداء. تم تطبيق برنامج Golem، المخصص للبرمجة المنطقية الاستقرائية، لتعلم قواعد توقع الهيكل الثانوي لبروتينات نوع المجال ألفا/ألفا. كان مدخل البرنامج يتكون من 12 بروتين غير متجانس (1612 متبقية) معروفة التركيب، بالإضافة إلى معرفة خلفية تصف الخصائص الكيميائية والفيزيائية للمخلفات. تعلم Golem مجموعة صغيرة من القواعد التي تتنبأ بأي المخلفات هي جزء من الحلزونات الألفا - بناءً على العلاقات الموضعية وخصائصها الكيميائية والفيزيائية. تم اختبار القواعد على أربعة بروتينات غير متجانسة مستقلة (416 متبقية) مما أعطى دقة بنسبة 81% (+/- 2%). وهذا يعد تحسناً، على البيانات المتماثلة، مقارنةً بالنتيجة المبلغ عنها سابقاً بنسبة 73% من قبل كين وستيرنبرغ (1990، J. Mol. Biol.، 216، 441-457) باستخدام برنامج التعلم الآلي PROMIS، ونسبة 72% باستخدام الطريقة القياسية غارنييه-أوسغثورب-روبسون. أفضل نتيجة تم الإبلاغ عنها سابقاً في الأدبيات لنوع المجال ألفا/ألفا هي 76%، تم تحقيقها باستخدام نهج الشبكات العصبية. كما أن التعلم الآلي له ميزة على طرق الشبكة العصبية والأساليب الإحصائية في إنتاج نتائج أكثر قابلية للفهم.
درس ماغلتاون وآخرون (الأربعاء) هذا السؤال.