論文の概要: {\alpha}-HMM: A Graphical Model for RNA Folding
- arxiv url: http://arxiv.org/abs/2401.03571v1
- Date: Sun, 7 Jan 2024 19:43:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 18:14:32.440308
- Title: {\alpha}-HMM: A Graphical Model for RNA Folding
- Title(参考訳): {\alpha}-HMM:RNAフォールディングのグラフィカルモデル
- Authors: Sixiang Zhang, Aaron J. Yang, and Liming Cai
- Abstract要約: RNA二次構造は新規な任意の順序隠れマルコフモデル(アルファ-HMM)でモデル化される
α-HMMは、プロセス内であるイベントが他のイベントにどのように影響するかを制限する柔軟性があり、擬似ノットを含むRNA二次構造を効率的に予測できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: RNA secondary structure is modeled with the novel arbitrary-order hidden
Markov model ({\alpha}-HMM). The {\alpha}-HMM extends over the traditional HMM
with capability to model stochastic events that may be in influenced by
historically distant ones, making it suitable to account for long-range
canonical base pairings between nucleotides, which constitute the RNA secondary
structure. Unlike previous heavy-weight extensions over HMM, the {\alpha}-HMM
has the flexibility to apply restrictions on how one event may influence
another in stochastic processes, enabling efficient prediction of RNA secondary
structure including pseudoknots.
- Abstract(参考訳): RNA二次構造は、新しい任意の順番隠れマルコフモデル({\alpha}-HMM)でモデル化される。
{\alpha}-HMMは従来のHMMを超えて、歴史的に離れた事象の影響を受けうる確率的な事象をモデル化し、RNA二次構造を構成するヌクレオチド間の長距離正準塩基対を考慮するのに適している。
HMM上の以前の重み付き拡張とは異なり、ある事象が確率過程において他の事象にどのように影響するかの制約を適用する柔軟性があり、擬似ノットを含むRNA二次構造を効率的に予測することができる。
関連論文リスト
- Diffusion Language Models Are Versatile Protein Learners [80.51049288791717]
拡散タンパク言語モデル (DPLM) は、タンパク質配列の強力な生成および予測能力を示す多用途タンパク言語モデルである。
まず, 自己制御型離散拡散確率フレームワークを用いて, 進化的タンパク質配列からのスケーラブルDPLMの事前学習を行った。
プレトレーニング後、DPLMは非条件生成のための構造的に可塑性で新規で多様なタンパク質配列を生成する能力を示す。
論文 参考訳(メタデータ) (2024-02-28T18:57:56Z) - Molecular De Novo Design through Transformer-based Reinforcement
Learning [38.803770968809225]
分子デノボ設計のためのトランスフォーマーを用いた生成モデルを微調整する手法を提案する。
提案手法は, 種々の生物標的に対して活性を示すと予測された化合物の生成において, 優れた性能を示す。
本手法は, 足場ホッピング, 単一分子からのライブラリ拡張, 生物標的に対する高い活性の化合物の生成に有効である。
論文 参考訳(メタデータ) (2023-10-09T02:51:01Z) - 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) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - Robust Classification using Hidden Markov Models and Mixtures of
Normalizing Flows [25.543231171094384]
我々は,隠れマルコフモデル(HMM)の状態遷移と,隠れたHMMの状態に対するニューラルネットワークに基づく確率分布を組み合わせた生成モデルを用いる。
音声認識への応用におけるNMM-HMM分類器の堅牢性の改善を検証する。
論文 参考訳(メタデータ) (2021-02-15T00:40:30Z) - 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) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T18:51:55Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳(メタデータ) (2020-10-05T20:18:42Z) - Scaffold-constrained molecular generation [0.0]
SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。
本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
論文 参考訳(メタデータ) (2020-09-15T15:41:18Z) - 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。