论文地址：https://doi.org/10.1101/2021.10.02.462491

代码地址：https://github.com/iobio-zjut/DeepUMQA

12月16日，全球蛋白质连续自动化模型评估竞赛CAMEO（2021-12-11周测）的结果公布，浙江工业大学信息工程学院张贵军教授课题组开发的DeepUMQA服务器在模型质量评估组别中总排名全球第一。今天笔者给大家介绍张贵军教授课题组开发的DeepUMQA方法，预印版论文《DeepUMQA: Ultrafast Shape Recognition-based Protein Model Quality Assessment using Deep Learning》发布在bioRxiv网站上。

DeepUMQA 的性能在 51 个 CASP13、44 个 CASP14 和 195 个 CAMEO 靶标上进行了广泛的测试，其中包括 17,057 个模型结构。实验结果表明，DeepUMQA 的性能优于最先进的单模型质量评估方法，包括 ProQ2、ProQ3、ProQ3D、Ornate、VoroMQA 和 DeepAccNet。超快形状识别特征描述了残基级别的拓扑结构信息，它与描述残基局部结构信息的体素化特征互补，从而全面表征残基结构信息，显著提高模型评估的准确性。随着蛋白质结构预测的快速发展，模型质量评估和折叠过程的动态结合可能是未来的研究方向。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除