論文の概要: Predicting 3D RNA Folding Patterns via Quadratic Binary Optimization

• arxiv url: http://arxiv.org/abs/2106.07527v1
• Date: Mon, 14 Jun 2021 15:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:07:57.785931
• Title: Predicting 3D RNA Folding Patterns via Quadratic Binary Optimization
• Title（参考訳）: 2次最適化による3次元rna折り畳みパターンの予測
• Authors: Mark W. Lewis, Amit Verma, Rick Hennig
• Abstract要約: RNA分子の構造は、その生物学的機能に重要な役割を果たす。 多くのコンピュータプログラム(シリコで知られている)は2次元(二次)構造を予測するために利用できる。 3次元構造予測は、実現可能な解の数が非常に多く、3次元構造の熱力学エネルギーに関する実験データが少ないため、はるかに困難である。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The structure of an RNA molecule plays a significant role in its biological function. Predicting structure given a one dimensional sequence of RNA nucleotide bases is a difficult and important problem. Many computer programs (known as in silico) are available for predicting 2-dimensional (secondary) structures however 3-dimensional (tertiary) structure prediction is much more difficult mainly due to the far greater number of feasible solutions and fewer experimental data on the thermodynamic energies of 3D structures. It is also challenging to verify the most likely three dimensional structure even with the availability of sophisticated x-ray crystallography and nuclear magnetic resonance imaging technologies. In this paper we develop three dimensional RNA folding predictions by adding penalty and reward parameters to a previous two dimensional approach based on Quadratic Unconstrained Binary Optimization (QUBO) models. These parameters provide flexibility in the amount of three dimensional folding allowed. We address the problem of multiple near-optimal structures via a new weighted similarity structure measure and illustrate folding pathways via progressively improving local optimal solutions. The problems are solved via a new commercial QUBO solver AlphaQUBO (Meta-Analytics, 2020) that solves problems having hundreds of thousands of binary variables.
• Abstract（参考訳）: RNA分子の構造は、その生物学的機能に重要な役割を果たす。 RNAヌクレオチド塩基の1次元配列が与えられた予測構造は、困難かつ重要な問題である。 シリコ(英語版)として知られる多くのコンピュータプログラムは2次元(二次)構造を予測することができるが、3次元(二次)構造の予測は、主に3次元構造の熱力学的エネルギーに関する実験データが少ないため、はるかに困難である。 また、高度なX線結晶学と核磁気共鳴イメージング技術が利用可能であっても、最も可能性の高い3次元構造を検証することも困難である。 本稿では,擬似非拘束バイナリ最適化(QUBO)モデルに基づく従来の2次元アプローチにペナルティと報酬パラメータを加えることで,3次元RNAの折り畳み予測を開発する。 これらのパラメータは、3次元の折りたたみを許容する量の柔軟性を提供する。 本研究では,新しい重み付き相似構造測度による複数の近接最適構造の問題に対処し,局所最適解を漸進的に改善することで折りたたみ経路を説明する。 これらの問題は、何十万ものバイナリ変数を持つ問題を解く新しい商用QUBOソルバAlphaQUBO(Meta-Analytics, 2020)によって解決される。

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)
• CrysFormer: Protein Structure Prediction via 3d Patterson Maps and Partial Structure Attention [7.716601082662128]
  タンパク質の3次元構造は、しばしば非自明な計算コストをもたらす。 本稿では,タンパク質結晶学と部分構造情報を直接利用するトランスフォーマーモデルを提案する。 提案手法はtextttCrysFormer と呼ばれ,より小さなデータセットサイズと計算コストの削減に基づいて精度の高い予測を行うことができる。
  論文  参考訳（メタデータ） (2023-10-05T21:10:22Z)
• CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using Transformer-based Neural Representations [49.49939711956354]
  核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。 3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。 我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
  論文  参考訳（メタデータ） (2023-03-28T18:59:17Z)
• 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)
• 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)
• Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
  Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。 フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
  論文  参考訳（メタデータ） (2021-06-24T14:34:24Z)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。