論文の概要: Neural representation and generation for RNA secondary structures

• arxiv url: http://arxiv.org/abs/2102.00925v1
• Date: Mon, 1 Feb 2021 15:49:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 07:08:21.710718
• Title: Neural representation and generation for RNA secondary structures
• Title（参考訳）: RNA二次構造体の神経表現と生成
• Authors: Zichao Yan, William L. Hamilton and Mathieu Blanchette
• Abstract要約: 我々の研究は、遺伝子マクロ分子の一種であるRNAの生成とターゲット設計に関するものである。 大規模で複雑な生物学的構造の設計は、専用のグラフベースの深層生成モデリング技術を刺激する。 本稿では,異なるRNA構造を結合して生成するフレキシブルなフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.583976833366384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our work is concerned with the generation and targeted design of RNA, a type of genetic macromolecule that can adopt complex structures which influence their cellular activities and functions. The design of large scale and complex biological structures spurs dedicated graph-based deep generative modeling techniques, which represents a key but underappreciated aspect of computational drug discovery. In this work, we investigate the principles behind representing and generating different RNA structural modalities, and propose a flexible framework to jointly embed and generate these molecular structures along with their sequence in a meaningful latent space. Equipped with a deep understanding of RNA molecular structures, our most sophisticated encoding and decoding methods operate on the molecular graph as well as the junction tree hierarchy, integrating strong inductive bias about RNA structural regularity and folding mechanism such that high structural validity, stability and diversity of generated RNAs are achieved. Also, we seek to adequately organize the latent space of RNA molecular embeddings with regard to the interaction with proteins, and targeted optimization is used to navigate in this latent space to search for desired novel RNA molecules.
• Abstract（参考訳）: 本研究は, 細胞活性や機能に影響を及ぼす複雑な構造を組み込むことができる遺伝子マクロ分子の一種であるRNAの生成と設計に関するものである。 大規模で複雑な生物学的構造の設計は、計算薬物発見の重要かつ未承認の側面を表すグラフベースの深層生成モデリング技術に拍車をかけた。 本研究では、異なるRNA構造モダリティの表現と生成の原理を検討し、これらの分子構造とそれらの配列を有意義な潜在空間に融合して生成するための柔軟な枠組みを提案する。 RNA分子構造を深く理解した当社の高度な符号化・復号法は、分子グラフとジャンクションツリー階層上で動作し、RNA構造規則性や折り畳み機構に関する強い誘導バイアスを統合し、生成したRNAの構造的妥当性、安定性、多様性を実現します。 また,タンパク質との相互作用に関して,RNA分子埋め込みの潜伏空間を適切に整理し,この潜伏領域を探索し,新たなRNA分子を探索する目的の最適化も行っている。

関連論文リスト

• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本研究では,フローマッチング,すなわちRNACGに基づく普遍的なRNA配列生成モデルを開発する。 RNACGは様々な条件入力に対応でき、可搬性があり、ユーザーは条件入力のために符号化ネットワークをカスタマイズできる。 RNACGは、シーケンス生成およびプロパティ予測タスクに広範な適用性を示す。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• RNAFlow: RNA Structure & Sequence Design via Inverse Folding-Based Flow Matching [7.600990806121113]
  RNAFlowはタンパク質条件のRNA配列構造設計のためのフローマッチングモデルである。 そのデノナイジングネットワークはRNA逆フォールディングモデルと事前訓練されたRosettaFold2NAネットワークを統合し、RNA配列と構造を生成する。
  論文  参考訳（メタデータ） (2024-05-29T05:10:25Z)
• RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models [13.781096813376145]
  ヒトゲノムプロジェクト(Human Genome Project)は、生体分子の配列、構造、機能に関連するデータの指数関数的な増加につながった。 本稿では、RNAの基本概念、RNA二次構造、その予測について論じる。 生体高分子の構造予測における機械学習技術の応用について検討した。
  論文  参考訳（メタデータ） (2024-04-14T08:36:14Z)
• 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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• 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)
• VeRNAl: Mining RNA Structures for Fuzzy Base Pairing Network Motifs [13.990800077082843]
  RNA 3Dモチーフは塩基対相互作用のネットワークとしてモデル化された繰り返しサブ構造である。 本稿では, 柔軟なRNAモチーフを復元するためのノード類似関数, クラスタリング手法, モチーフ構築アルゴリズムを提案する。 VeRNAlはユーザが容易にカスタマイズでき、モチーフの柔軟性、豊富さ、サイズが求められる。
  論文  参考訳（メタデータ） (2020-09-01T19:03:06Z)

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。