論文の概要: E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D
Structure Prediction
- arxiv url: http://arxiv.org/abs/2207.01586v1
- Date: Mon, 4 Jul 2022 17:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 17:03:58.151413
- Title: E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D
Structure Prediction
- Title(参考訳): e2efold-3d : 高精度 de novo rna 3d構造予測のためのエンドツーエンドディープラーニング法
- Authors: Tao Shen, Zhihang Hu, Zhangzhi Peng, Jiayang Chen, Peng Xiong, Liang
Hong, Liangzhen Zheng, Yixuan Wang, Irwin King, Sheng Wang, Siqi Sun, and Yu
Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 46.38735421190187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RNA structure determination and prediction can promote RNA-targeted drug
development and engineerable synthetic elements design. But due to the
intrinsic structural flexibility of RNAs, all the three mainstream structure
determination methods (X-ray crystallography, NMR, and Cryo-EM) encounter
challenges when resolving the RNA structures, which leads to the scarcity of
the resolved RNA structures. Computational prediction approaches emerge as
complementary to the experimental techniques. However, none of the \textit{de
novo} approaches is based on deep learning since too few structures are
available. Instead, most of them apply the time-consuming sampling-based
strategies, and their performance seems to hit the plateau. In this work, we
develop the first end-to-end deep learning approach, E2Efold-3D, to accurately
perform the \textit{de novo} RNA structure prediction. Several novel components
are proposed to overcome the data scarcity, such as a fully-differentiable
end-to-end pipeline, secondary structure-assisted self-distillation, and
parameter-efficient backbone formulation. Such designs are validated on the
independent, non-overlapping RNA puzzle testing dataset and reach an average
sub-4 \AA{} root-mean-square deviation, demonstrating its superior performance
compared to state-of-the-art approaches. Interestingly, it also achieves
promising results when predicting RNA complex structures, a feat that none of
the previous systems could accomplish. When E2Efold-3D is coupled with the
experimental techniques, the RNA structure prediction field can be greatly
advanced.
- Abstract(参考訳): RNAの構造決定と予測は、RNAを標的とした医薬品開発とエンジニアリング可能な合成元素設計を促進する。
しかし、RNAの固有の構造的柔軟性のため、3つの主要な構造決定法(X線結晶学、NMR、Cryo-EM)は、RNA構造を分解する際に問題に遭遇し、解決されたRNA構造が不足する。
計算予測手法は実験手法の補完として現れる。
しかし、 \textit{de novo} のアプローチは、構造があまりにも少ないため、ディープラーニングに基づいていない。
その代わりに、多くは時間を要するサンプリングベースの戦略を適用し、そのパフォーマンスは高水準に達するように思える。
本研究では,e2efold-3dという最初のエンドツーエンドのディープラーニング手法を開発し,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。
このような設計は、独立して重複しないRNAパズルテストデータセットで検証され、平均的なサブ-4 \AA{}ルート平均二乗偏差に達する。
興味深いことに、RNAの複雑な構造を予測する際にも有望な結果が得られる。
E2Efold-3Dと実験技術が組み合わさると、RNA構造予測場が大きく進歩する。
関連論文リスト
- 3D-based RNA function prediction tools in rnaglib [1.8416014644193066]
RNA 3D構造のデータセットを構築し、適切なモデリング選択を行うには、まだ時間がかかり、標準化が欠如している。
本稿では,RNA3次元構造のデータセット上で,教師付きおよび教師なし機械学習に基づく関数予測モデルをトレーニングするために,rnaglibを用いることについて述べる。
論文 参考訳(メタデータ) (2024-02-14T17:22:03Z) - 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) - A QUBO model of the RNA folding problem optimized by variational hybrid
quantum annealing [0.0]
本稿では, 量子アニールと回路モデル量子コンピュータの両方に有効なRNA折り畳み問題のモデルを提案する。
この定式化を、既知のRNA構造に対して全てのパラメータを調整した後、現在のRNA折り畳みQUBOと比較する。
論文 参考訳(メタデータ) (2022-08-08T19:04:28Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:40:29Z) - 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) - 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) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z) - 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。