論文の概要: BAnG: Bidirectional Anchored Generation for Conditional RNA Design

• arxiv url: http://arxiv.org/abs/2502.21274v1
• Date: Fri, 28 Feb 2025 17:51:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:54.637398
• Title: BAnG: Bidirectional Anchored Generation for Conditional RNA Design
• Title（参考訳）: BAnG:条件RNA設計のための双方向アンコール生成
• Authors: Roman Klypa, Alberto Bietti, Sergei Grudinin,
• Abstract要約: RNA-BAnGは、これらの要求なしにタンパク質相互作用のためのRNA配列を生成するために設計されたディープラーニングベースのモデルである。 まず、RNAに現れるものと類似した局所化モチーフを含む汎用的な合成タスクについて、本手法の有効性を検証した。 次に, 生物配列モデルの評価を行い, 結合タンパク質を付与した条件RNA配列設計の有効性を示した。
• 参考スコア（独自算出の注目度）: 15.92155083519678
• License:
• Abstract: Designing RNA molecules that interact with specific proteins is a critical challenge in experimental and computational biology. Existing computational approaches require a substantial amount of experimentally determined RNA sequences for each specific protein or a detailed knowledge of RNA structure, restricting their utility in practice. To address this limitation, we develop RNA-BAnG, a deep learning-based model designed to generate RNA sequences for protein interactions without these requirements. Central to our approach is a novel generative method, Bidirectional Anchored Generation (BAnG), which leverages the observation that protein-binding RNA sequences often contain functional binding motifs embedded within broader sequence contexts. We first validate our method on generic synthetic tasks involving similar localized motifs to those appearing in RNAs, demonstrating its benefits over existing generative approaches. We then evaluate our model on biological sequences, showing its effectiveness for conditional RNA sequence design given a binding protein.
• Abstract（参考訳）: 特定のタンパク質と相互作用するRNA分子の設計は、実験的および計算生物学において重要な課題である。 既存の計算手法では、特定のタンパク質、またはRNA構造に関する詳細な知識に対して、かなりの量の実験的に決定されたRNA配列が必要であり、実際はそれらの実用性を制限している。 この制限に対処するため,タンパク質相互作用のためのRNA配列を生成するためのディープラーニングベースモデルであるRNA-BAnGを開発した。 我々のアプローチの中心は、タンパク質結合RNA配列が、広範囲な配列コンテキストに埋め込まれた機能的結合モチーフを含むことの観察を活用する、新規な生成法BAnG(Bidirectional Anchored Generation)である。 我々はまず、RNAに現れるものと類似の局所化モチーフを含む汎用的な合成タスクについて検証し、既存の生成的アプローチに対するその利点を実証した。 次に, 生物配列モデルの評価を行い, 結合タンパク質を付与した条件RNA配列設計の有効性を示した。

関連論文リスト

• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [53.488387420073536]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 Life-Codeは3つのオミクスにまたがる様々なタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• Character-level Tokenizations as Powerful Inductive Biases for RNA Foundational Models [0.0]
  RNAの挙動を理解し予測することは、RNAの構造と相互作用の複雑さのために困難である。 現在のRNAモデルは、タンパク質ドメインで観測された性能とはまだ一致していない。 ChaRNABERTは、確立されたベンチマークでいくつかのタスクで最先端のパフォーマンスに到達することができる。
  論文  参考訳（メタデータ） (2024-11-05T21:56:16Z)
• RNA-GPT: Multimodal Generative System for RNA Sequence Understanding [6.611255836269348]
  RNAは生命に不可欠な遺伝情報を運ぶ必須分子である。 この重要性にもかかわらず、RNAの研究はしばしば、この話題で利用可能な膨大な文献によって妨げられている。 本稿では,RNA発見の簡易化を目的としたマルチモーダルRNAチャットモデルであるRNA-GPTを紹介する。
  論文  参考訳（メタデータ） (2024-10-29T06:19:56Z)
• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本研究では,フローマッチング,すなわちRNACGに基づく普遍的なRNA配列生成モデルを開発する。 RNACGは様々な条件入力に対応でき、可搬性があり、ユーザーは条件入力のために符号化ネットワークをカスタマイズできる。 RNACGは、シーケンス生成およびプロパティ予測タスクに広範な適用性を示す。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• 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)
• RNAFlow: RNA Structure & Sequence Design via Inverse Folding-Based Flow Matching [7.600990806121113]
  RNAFlowはタンパク質条件のRNA配列構造設計のためのフローマッチングモデルである。 そのデノナイジングネットワークはRNA逆フォールディングモデルと事前訓練されたRosettaFold2NAネットワークを統合し、RNA配列と構造を生成する。
  論文  参考訳（メタデータ） (2024-05-29T05:10:25Z)
• 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)
• 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)
• Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
  RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
  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)

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。