論文の概要: RFold: RNA Secondary Structure Prediction with Decoupled Optimization
- arxiv url: http://arxiv.org/abs/2212.14041v2
- Date: Thu, 27 Apr 2023 12:26:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 16:56:48.660235
- Title: RFold: RNA Secondary Structure Prediction with Decoupled Optimization
- Title(参考訳): RFold:脱結合最適化によるRNA二次構造予測
- Authors: Cheng Tan, Zhangyang Gao, Stan Z. Li
- Abstract要約: RFold, 単純で効果的なRNA二次構造予測をエンドツーエンドに提示する。
RFoldは、最先端手法の約8倍の競争性能と推論効率を達成する。
- 参考スコア(独自算出の注目度): 37.937378787812264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The secondary structure of ribonucleic acid (RNA) is more stable and
accessible in the cell than its tertiary structure, making it essential for
functional prediction. Although deep learning has shown promising results in
this field, current methods suffer from poor generalization and high
complexity. In this work, we present RFold, a simple yet effective RNA
secondary structure prediction in an end-to-end manner. RFold introduces a
decoupled optimization process that decomposes the vanilla constraint
satisfaction problem into row-wise and column-wise optimization, simplifying
the solving process while guaranteeing the validity of the output. Moreover,
RFold adopts attention maps as informative representations instead of designing
hand-crafted features. Extensive experiments demonstrate that RFold achieves
competitive performance and about eight times faster inference efficiency than
the state-of-the-art method. The code and Colab demo are available in
\href{http://github.com/A4Bio/RFold}{http://github.com/A4Bio/RFold}.
- Abstract(参考訳): リボ核酸(rna)の二次構造は、第3次構造よりも安定でアクセスしやすいため、機能予測に必須である。
ディープラーニングはこの分野で有望な結果を示しているが、現在の手法は一般化が悪く、複雑度が高い。
本研究は、単純で効果的なRNA二次構造予測であるRFoldをエンドツーエンドに提示する。
rfoldは、バニラ制約満足度問題を行と列の最適化に分解する分離最適化プロセスを導入し、アウトプットの妥当性を保証しながら解決プロセスを単純化する。
さらに、RFoldは手作りの機能を設計する代わりに、アテンションマップを情報表現として採用している。
RFoldは最先端手法の約8倍の競争性能と推論効率を達成できることを示した。
コードとColabのデモは \href{http://github.com/A4Bio/RFold}{http://github.com/A4Bio/RFold} で公開されている。
関連論文リスト
- 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) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-04-22T15:32:59Z) - 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) - 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) - 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) - 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) - 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。