論文の概要: Multi-State RNA Design with Geometric Multi-Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2305.14749v3
- Date: Sun, 28 May 2023 22:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 11:17:47.231589
- Title: Multi-State RNA Design with Geometric Multi-Graph Neural Networks
- Title(参考訳): 幾何学的多グラフニューラルネットワークを用いた多状態RNA設計
- Authors: Chaitanya K. Joshi, Arian R. Jamasb, Ramon Vi\~nas, Charles Harris,
Simon Mathis, Pietro Li\`o
- Abstract要約: gRNAdeは3D RNAのバックボーン構造を利用し、その設計におけるRNAコンフォメーションの多様性を考慮し、反映している。
大規模3次元RNA設計データセットを用いた単一状態アプローチによるネイティブシークエンスリカバリ改善のためのgRNAdeの有用性を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational RNA design has broad applications across synthetic biology and
therapeutic development. Fundamental to the diverse biological functions of RNA
is its conformational flexibility, enabling single sequences to adopt a variety
of distinct 3D states. Currently, computational biomolecule design tasks are
often posed as inverse problems, where sequences are designed based on adopting
a single desired structural conformation. In this work, we propose gRNAde, a
geometric RNA design pipeline that operates on sets of 3D RNA backbone
structures to explicitly account for and reflect RNA conformational diversity
in its designs. We demonstrate the utility of gRNAde for improving native
sequence recovery over single-state approaches on a new large-scale 3D RNA
design dataset, especially for multi-state and structurally diverse RNAs. Our
code is available at https://github.com/chaitjo/geometric-rna-design
- Abstract(参考訳): 計算RNAの設計は、合成生物学や治療開発に広く応用されている。
RNAの多様な生物学的機能の基本はコンフォメーションの柔軟性であり、単一の配列が様々な異なる3D状態を採用することができる。
現在、計算的生体分子設計タスクは逆問題として描かれており、配列は1つの望ましい構造的コンフォメーションを採用することに基づいて設計されている。
本研究は,3次元RNAのバックボーン構造からなる形状RNA設計パイプラインであるgRNAdeを提案し,その設計におけるRNAコンフォメーションの多様性を明示的に説明・反映する。
本稿では,新しい大規模3次元RNA設計データセット,特に多状態および構造的に多様なRNAに対して,単一状態アプローチによるネイティブシークエンスリカバリの改善のためのgRNAdeの有用性を示す。
私たちのコードはhttps://github.com/chaitjo/geometric-rna-designで利用可能です。
関連論文リスト
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on
Structure Prediction Tasks [1.2466379414976048]
リボ核酸言語モデル(RiNALMo)を導入し,RNAの隠されたコードを明らかにする。
RiNALMoは、これまでで最大のRNAモデルであり、600万ドルの非コーディングRNA配列で事前訓練された650ドルのパラメータを持つ。
論文 参考訳(メタデータ) (2024-02-29T14:50:58Z) - 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) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - Knowledge from Large-Scale Protein Contact Prediction Models Can Be
Transferred to the Data-Scarce RNA Contact Prediction Task [40.051834115537474]
タンパク質共進化トランスフォーマーに基づくディープニューラルネットワークはRNA接触予測タスクに転送可能である。
実験により、転写学習によるRNA接触予測が大幅に改善されることが確認された。
以上の結果から, タンパク質の構造パターンはRNAに転移し, 新たな研究の道を開く可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-13T06:00:56Z) - 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) - Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine
Learning [54.247560894146105]
短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。
我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
論文 参考訳(メタデータ) (2022-08-10T13:30:58Z) - 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) - Neural representation and generation for RNA secondary structures [14.583976833366384]
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。
論文 参考訳(メタデータ) (2021-02-01T15:49:25Z) - Uncovering the Folding Landscape of RNA Secondary Structure with Deep
Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。
我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。
GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文 参考訳(メタデータ) (2020-06-12T00:17:59Z)
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。