論文の概要: Review of Machine-Learning Methods for RNA Secondary Structure
Prediction
- arxiv url: http://arxiv.org/abs/2009.08868v1
- Date: Tue, 1 Sep 2020 03:17:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 00:51:29.755546
- Title: Review of Machine-Learning Methods for RNA Secondary Structure
Prediction
- Title(参考訳): RNA二次構造予測のための機械学習手法の検討
- Authors: Qi Zhao, Zheng Zhao, Xiaoya Fan, Zhengwei Yuan, Qian Mao, Yudong Yao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 21.3539253580504
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Secondary structure plays an important role in determining the function of
non-coding RNAs. Hence, identifying RNA secondary structures is of great value
to research. Computational prediction is a mainstream approach for predicting
RNA secondary structure. Unfortunately, even though new methods have been
proposed over the past 40 years, the performance of computational prediction
methods has stagnated in the last decade. Recently, with the increasing
availability of RNA structure data, new methods based on machine-learning
technologies, especially deep learning, have alleviated the issue. In this
review, we provide a comprehensive overview of RNA secondary structure
prediction methods based on machine-learning technologies and a tabularized
summary of the most important methods in this field. The current pending issues
in the field of RNA secondary structure prediction and future trends are also
discussed.
- Abstract(参考訳): 二次構造は非コードrnaの機能を決定する上で重要な役割を果たす。
したがって、RNA二次構造を同定することは研究にとって非常に重要である。
計算予測はRNA二次構造を予測する主要なアプローチである。
残念ながら、過去40年間に新しい手法が提案されてきたが、計算予測手法の性能は過去10年間に停滞している。
近年、RNA構造データの利用が増加し、機械学習技術、特にディープラーニングに基づく新しい手法が問題を軽減するようになった。
本稿では,機械学習技術に基づくrna二次構造予測手法の包括的概要と,この分野で最も重要な手法の表化概要について述べる。
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。
関連論文リスト
- 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) - Splicing Up Your Predictions with RNA Contrastive Learning [4.35360799431127]
我々は、代替スプライシング遺伝子複製によって生成された機能配列間の類似性を利用して、対照的な学習手法をゲノムデータに拡張する。
RNA半減期やリボソーム負荷予測などの下流タスクにおけるそれらの有用性を検証する。
学習された潜在空間の探索は、我々の対照的な目的が意味論的に意味のある表現をもたらすことを示した。
論文 参考訳(メタデータ) (2023-10-12T21:51:25Z) - Scalable Deep Learning for RNA Secondary Structure Prediction [38.46798525594529]
本稿では,アキシャルアテンションとリサイクリングを用いた学習モデルであるRNAformerについて述べる。
提案手法は,一般的なTS0ベンチマークデータセット上での最先端性能を実現する。
RNAフォーマがRNA折り畳み過程の生体物理モデルを学ぶことができることを示す。
論文 参考訳(メタデータ) (2023-07-14T12:54:56Z) - 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) - E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D
Structure Prediction [46.38735421190187]
E2Efold-3Dというエンド・ツー・エンドの深層学習手法を開発し,テクスタイド・ノボRNA構造予測を精度良く行う。
完全微分可能なエンドツーエンドパイプライン、二次構造による自己蒸留、パラメータ効率のよいバックボーンの定式化など、データ不足を克服するために、いくつかの新しいコンポーネントが提案されている。
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) - Computational prediction of RNA tertiary structures using machine
learning methods [14.35527588241679]
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。
論文 参考訳(メタデータ) (2020-09-03T04:01:43Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。