基于多尺度模块时序卷积网络(InConTPSS)的蛋白质二级结构精准预测

来自国内的研究人员针对蛋白质二级结构预测中局部与全局相互作用难以兼顾的问题，开发了融合卷积神经网络(CNN)与时序卷积网络(TCN)的InConTPSS模型。该研究通过多尺度特征提取和标签分布感知损失函数，在CASP12-14等6个基准数据集上实现3态/8态预测的最优性能，为解析蛋白质结构与功能关系提供高效计算工具。

　　

蛋白质二级结构预测(PSSP)是结构生物学与生物信息学领域的核心课题。蛋白质的功能奥秘往往隐藏在其三维构象中，而实验测定方法如X射线晶体学耗时耗力。鉴于二级结构是三级结构的构建基础，研究者提出创新性计算方案InConTPSS——将不同感受野的卷积操作与时序卷积网络(TCN)集成到Inception架构中，巧妙捕获氨基酸残基的局部/长程相互作用。

该模型突破性地引入多尺度特征融合机制：一方面通过卷积神经网络(CNN)提取序列谱(profile)的深层特征，另一方面利用轻量化网络整合嵌入特征(embedding)。针对二级结构类别分布不均衡的挑战，采用标签分布感知边界损失函数(LDAM)，显著提升稀有结构类别(如β桥)的预测准确率。

在CASP₁₂-14、CB513等六大权威测试集上，InConTPSS以更精简的模型参数实现87.3%的3态(Q₃)和76.1%的8态(Q₈)准确率，超越现有方法。这项研究不仅为蛋白质结构预测领域提供了可解释性强的深度学习框架，其多尺度特征融合策略更为处理生物序列数据开辟了新思路。