論文の概要: A Comprehensive Benchmark for RNA 3D Structure-Function Modeling
- arxiv url: http://arxiv.org/abs/2503.21681v1
- Date: Thu, 27 Mar 2025 16:49:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:53:50.633048
- Title: A Comprehensive Benchmark for RNA 3D Structure-Function Modeling
- Title(参考訳): RNA3次元構造ファンクションモデリングのための総合ベンチマーク
- Authors: Luis Wyss, Vincent Mallet, Wissam Karroucha, Karsten Borgwardt, Carlos Oliver,
- Abstract要約: RNA構造関数予測のためのベンチマークデータセットを7つ導入する。
我々のライブラリは、確立されたPythonライブラリrnaglibの上に構築されており、データ配布とエンコーディングが容易です。
グラフニューラルネットワークを用いて、全てのタスクに対して、初期ベースライン結果を提供する。
- 参考スコア(独自算出の注目度): 1.3980986259786223
- License:
- Abstract: The RNA structure-function relationship has recently garnered significant attention within the deep learning community, promising to grow in importance as nucleic acid structure models advance. However, the absence of standardized and accessible benchmarks for deep learning on RNA 3D structures has impeded the development of models for RNA functional characteristics. In this work, we introduce a set of seven benchmarking datasets for RNA structure-function prediction, designed to address this gap. Our library builds on the established Python library rnaglib, and offers easy data distribution and encoding, splitters and evaluation methods, providing a convenient all-in-one framework for comparing models. Datasets are implemented in a fully modular and reproducible manner, facilitating for community contributions and customization. Finally, we provide initial baseline results for all tasks using a graph neural network. Source code: https://github.com/cgoliver/rnaglib Documentation: https://rnaglib.org
- Abstract(参考訳): RNA構造と機能の関係は、最近、深層学習コミュニティにおいて大きな注目を集め、核酸構造モデルが進行するにつれて、重要性を増すことを約束している。
しかし、RNA 3D構造におけるディープラーニングのための標準化およびアクセス可能なベンチマークが欠如していることは、RNA機能特性のモデルの開発を妨げている。
本研究では,RNA構造関数予測のためのベンチマークデータセットを7つ導入し,このギャップに対処する。
我々のライブラリは、確立されたPythonライブラリrnaglibの上に構築されており、簡単にデータ分散とエンコーディング、スプリッタ、評価方法を提供し、モデルを比較するのに便利なオールインワンフレームワークを提供する。
データセットは、完全にモジュール化され再現可能な方法で実装され、コミュニティのコントリビューションとカスタマイズを容易にする。
最後に、グラフニューラルネットワークを用いて、全てのタスクに初期ベースライン結果を提供する。
ソースコード: https://github.com/cgoliver/rnaglib Documentation: https://rnaglib.org
関連論文リスト
- 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) - 3D-based RNA function prediction tools in rnaglib [2.048226951354646]
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) - 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) - Physics-aware Graph Neural Network for Accurate RNA 3D Structure
Prediction [20.276492931562036]
実験的に決定されたRNA構造が限られていることを考えると、RNA構造の予測はRNA機能の解明とRNAを標的とした薬物発見を促進する。
原子型のみを訓練したグラフニューラルネットワーク(GNN)に基づくスコアリング関数を提案する。
提案した物理対応多重グラフニューラルネットワーク(PaxNet)は、局所的および非局所的相互作用を別々にモデル化する。
論文 参考訳(メタデータ) (2022-10-28T20:13:00Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳(メタデータ) (2022-10-14T18:00:07Z) - 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) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z)
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。