Fugu-MT 論文翻訳(概要): Computational prediction of RNA tertiary structures using machine learning methods

論文の概要: Computational prediction of RNA tertiary structures using machine learning methods

arxiv url: http://arxiv.org/abs/2009.01440v1
Date: Thu, 3 Sep 2020 04:01:43 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 07:53:05.414166
Title: Computational prediction of RNA tertiary structures using machine learning methods
Title（参考訳）: 機械学習を用いたRNA第三次構造の計算予測
Authors: Bin Huang, Yuanyang Du, Shuai Zhang, Wenfei Li, Jun Wang, Jian Zhang
Abstract要約: 計算予測アプローチはRNA構造とその安定化因子を理解するのに役立つ。タンパク質関連分野におけるそれらの利用の歴史は長いが、RNA第3次構造を予測する機械学習手法は新しくて稀である。
参考スコア（独自算出の注目度）: 14.35527588241679
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: RNAs play crucial and versatile roles in biological processes. Computational prediction approaches can help to understand RNA structures and their stabilizing factors, thus providing information on their functions, and facilitating the design of new RNAs. Machine learning (ML) techniques have made tremendous progress in many fields in the past few years. Although their usage in protein-related fields has a long history, the use of ML methods in predicting RNA tertiary structures is new and rare. Here, we review the recent advances of using ML methods on RNA structure predictions and discuss the advantages and limitation, the difficulties and potentials of these approaches when applied in the field.
Abstract（参考訳）: RNAは生物学的プロセスにおいて決定的かつ汎用的な役割を担っている。計算予測アプローチは、RNA構造とその安定化因子を理解し、それらの機能に関する情報を提供し、新しいRNAの設計を容易にする。機械学習(ML)技術はここ数年、多くの分野で大きな進歩を遂げてきた。タンパク質関連分野におけるそれらの利用は長い歴史を持つが、RNA第三次構造予測におけるML法の使用は新しく稀である。本稿では,rna構造予測におけるml法の利用の最近の進歩を概観し,この分野に適用する手法の利点と限界,課題と可能性について考察する。

関連論文リスト

Predicting Distance matrix with large language models [1.8855270809505869]
データ制限のため、RNA構造予測は依然として重要な課題である。核磁気共鳴分光法、X線結晶学、電子顕微鏡などの従来の手法は高価で時間を要する。距離マップはヌクレオチド間の空間的制約を単純化し、完全な3Dモデルを必要としない本質的な関係を捉える。
論文参考訳（メタデータ） (2024-09-24T10:28:55Z)
BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。第3に、重要なRNA言語モデルコンポーネントについて検討する。
論文参考訳（メタデータ） (2024-06-14T19:39:19Z)
Rethinking Performance Measures of RNA Secondary Structure Problems [42.25267871026153]
深層学習法は、擬似ノットや多相互作用ベースペアのような複雑な特徴を予測することによって、従来のアルゴリズムを超越した。代替計量としてWeisfeiler-Lehmanグラフカーネル(WL)を提案する。
論文参考訳（メタデータ） (2023-12-04T08:46:24Z)
Knowledge from Large-Scale Protein Contact Prediction Models Can Be Transferred to the Data-Scarce RNA Contact Prediction Task [40.051834115537474]
タンパク質共進化トランスフォーマーに基づくディープニューラルネットワークはRNA接触予測タスクに転送可能である。実験により、転写学習によるRNA接触予測が大幅に改善されることが確認された。以上の結果から, タンパク質の構造パターンはRNAに転移し, 新たな研究の道を開く可能性が示唆された。
論文参考訳（メタデータ） (2023-02-13T06:00:56Z)
RDesign: Hierarchical Data-efficient Representation Learning for Tertiary Structure-based RNA Design [65.41144149958208]
本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。 RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
論文参考訳（メタデータ） (2023-01-25T17:19:49Z)
Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
論文参考訳（メタデータ） (2022-07-04T17:15:35Z)
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)
Review of Machine-Learning Methods for RNA Secondary Structure Prediction [21.3539253580504]
機械学習技術に基づくRNA二次構造予測手法の概要について概説する。 RNA二次構造予測の分野で現在進行中の課題と今後の動向についても論じる。
論文参考訳（メタデータ） (2020-09-01T03:17:15Z)
RNA Secondary Structure Prediction By Learning Unrolled Algorithms [70.09461537906319]
本稿では,RNA二次構造予測のためのエンド・ツー・エンドのディープラーニングモデルであるE2Efoldを提案する。 E2Efoldの鍵となる考え方は、RNA塩基対行列を直接予測し、制約のないプログラミングを、制約を強制するための深いアーキテクチャのテンプレートとして使うことである。ベンチマークデータセットに関する包括的な実験により、E2Efoldの優れた性能を実証する。
論文参考訳（メタデータ） (2020-02-13T23:21:25Z)

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。