Fugu-MT 論文翻訳(概要): Monte Carlo Inverse Folding

論文の概要: Monte Carlo Inverse Folding

arxiv url: http://arxiv.org/abs/2005.09961v1
Date: Wed, 20 May 2020 11:07:20 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 05:30:11.092893
Title: Monte Carlo Inverse Folding
Title（参考訳）: モンテカルロ逆折り畳み
Authors: Tristan Cazenave and Thomas Fournier
Abstract要約: 目的は、所定の折りたたみを持つ分子を見つけることである。この問題に対するモンテカルロ探索アルゴリズムの適応と評価を提案する。
参考スコア（独自算出の注目度）: 4.38602607138044
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The RNA Inverse Folding problem comes from computational biology. The goal is to find a molecule that has a given folding. It is important for scientific fields such as bioengineering, pharmaceutical research, biochemistry, synthetic biology and RNA nanostructures. Nested Monte Carlo Search has given excellent results for this problem. We propose to adapt and evaluate different Monte Carlo Search algorithms for the RNA Inverse Folding problem.
Abstract（参考訳）: RNA逆フォールディング問題は計算生物学に由来する。目的は、所定の折りたたみを持つ分子を見つけることである。生物工学、薬学研究、生化学、合成生物学、rnaナノ構造などの科学分野において重要である。 Nested Monte Carlo Searchはこの問題に対して優れた結果を出している。本稿では,RNA逆フォールディング問題に対するモンテカルロ探索アルゴリズムの適応と評価を提案する。

関連論文リスト

Character-level Tokenizations as Powerful Inductive Biases for RNA Foundational Models [0.0]
RNAの挙動を理解し予測することは、RNAの構造と相互作用の複雑さのために困難である。現在のRNAモデルは、タンパク質ドメインで観測された性能とはまだ一致していない。 ChaRNABERTは、確立されたベンチマークでいくつかのタスクで最先端のパフォーマンスに到達することができる。
論文参考訳（メタデータ） (2024-11-05T21:56:16Z)
mRNA secondary structure prediction using utility-scale quantum computers [0.0]
最大60ヌクレオチドの配列長を持つ量子コンピュータ上でmRNA二次構造を解く可能性について検討した。この結果は、量子コンピュータ上でmRNA構造予測問題の解法が可能であることを示す十分な証拠となる。
論文参考訳（メタデータ） (2024-05-30T17:58:17Z)
UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
Monte Carlo Search Algorithms Discovering Monte Carlo Tree Search Exploration Terms [4.561007128508218]
最適化されたモンテカルロ木探索アルゴリズムはPUCTとSHUSSである。 32評価の小さな探索予算に対して、発見されたルート探索条件は両方のアルゴリズムを競合させる。
論文参考訳（メタデータ） (2024-04-14T17:06:20Z)
PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文参考訳（メタデータ） (2023-10-12T23:46:08Z)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。 RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
論文参考訳（メタデータ） (2022-12-02T16:34:56Z)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
Machine learning for plant microRNA prediction: A systematic review [0.0]
マイクロRNA(miRNA)は内在性の小さな非コードRNAであり、遺伝子調節に重要な役割を果たしている。計算と機械学習に基づくアプローチがマイクロRNAの予測に採用されている。本研究は,植物における識別のために開発された機械学習手法に焦点をあてる。
論文参考訳（メタデータ） (2021-06-29T08:22:57Z)
Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文参考訳（メタデータ） (2020-06-12T00:17:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。