論文の概要: RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models

• arxiv url: http://arxiv.org/abs/2405.06655v1
• Date: Sun, 14 Apr 2024 08:36:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:49:26.596941
• Title: RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models
• Title（参考訳）: 変圧器を用いたディープラーニングモデルを用いたRNA二次構造予測
• Authors: Yanlin Zhou, Tong Zhan, Yichao Wu, Bo Song, Chenxi Shi,
• Abstract要約: ヒトゲノムプロジェクト(Human Genome Project)は、生体分子の配列、構造、機能に関連するデータの指数関数的な増加につながった。 本稿では、RNAの基本概念、RNA二次構造、その予測について論じる。 生体高分子の構造予測における機械学習技術の応用について検討した。
• 参考スコア（独自算出の注目度）: 13.781096813376145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Human Genome Project has led to an exponential increase in data related to the sequence, structure, and function of biomolecules. Bioinformatics is an interdisciplinary research field that primarily uses computational methods to analyze large amounts of biological macromolecule data. Its goal is to discover hidden biological patterns and related information. Furthermore, analysing additional relevant information can enhance the study of biological operating mechanisms. This paper discusses the fundamental concepts of RNA, RNA secondary structure, and its prediction.Subsequently, the application of machine learning technologies in predicting the structure of biological macromolecules is explored. This chapter describes the relevant knowledge of algorithms and computational complexity and presents a RNA tertiary structure prediction algorithm based on ResNet. To address the issue of the current scoring function's unsuitability for long RNA, a scoring model based on ResNet is proposed, and a structure prediction algorithm is designed. The chapter concludes by presenting some open and interesting challenges in the field of RNA tertiary structure prediction.
• Abstract（参考訳）: ヒトゲノムプロジェクト(Human Genome Project)は、生体分子の配列、構造、機能に関連するデータの指数関数的な増加につながった。 バイオインフォマティクス(英: Bioinformatics)は、主に計算手法を用いて大量の生物学的マクロ分子データを解析する学際的な研究分野である。 その目標は、隠された生物学的パターンと関連する情報を見つけることである。 さらに、追加の関連情報を分析することで、生物学的操作機構の研究を促進することができる。 本稿では、RNAの基本概念、RNA二次構造とその予測について論じ、その後、生物高分子の構造予測における機械学習技術の応用について検討する。 本章では,アルゴリズムと計算複雑性の関連知識について述べるとともに,ResNetに基づくRNA第三次構造予測アルゴリズムを提案する。 長RNAに対する現在のスコアリング関数の不適合性の問題に対処するため、ResNetに基づくスコアリングモデルを提案し、構造予測アルゴリズムを設計する。 この章は、RNA第三次構造予測の分野で、オープンで興味深い課題を提示することで締めくくっている。

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)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• 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)
• 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)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• 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)
• 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)

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。