論文の概要: Structure-based RNA Design by Step-wise Optimization of Latent Diffusion Model

• arxiv url: http://arxiv.org/abs/2601.19232v1
• Date: Tue, 27 Jan 2026 06:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.197952
• Title: Structure-based RNA Design by Step-wise Optimization of Latent Diffusion Model
• Title（参考訳）: 遅延拡散モデルのステップワイズ最適化による構造ベースRNA設計
• Authors: Qi Si, Xuyang Liu, Penglei Wang, Xin Guo, Yuan Qi, Yuan Cheng,
• Abstract要約: RNA逆フォールディングは治療、遺伝子制御、合成生物学において重要である。 シーケンシャル・リカバリに焦点をあてた現在の手法は、構造的目的に対処するのに苦労している。 本稿では,潜在拡散モデルと統合された強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.539981000962374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RNA inverse folding, designing sequences to form specific 3D structures, is critical for therapeutics, gene regulation, and synthetic biology. Current methods, focused on sequence recovery, struggle to address structural objectives like secondary structure consistency (SS), minimum free energy (MFE), and local distance difference test (LDDT), leading to suboptimal structural accuracy. To tackle this, we propose a reinforcement learning (RL) framework integrated with a latent diffusion model (LDM). Drawing inspiration from the success of diffusion models in RNA inverse folding, which adeptly model complex sequence-structure interactions, we develop an LDM incorporating pre-trained RNA-FM embeddings from a large-scale RNA model. These embeddings capture co-evolutionary patterns, markedly improving sequence recovery accuracy. However, existing approaches, including diffusion-based methods, cannot effectively handle non-differentiable structural objectives. By contrast, RL excels in this task by using policy-driven reward optimization to navigate complex, non-gradient-based objectives, offering a significant advantage over traditional methods. In summary, we propose the Step-wise Optimization of Latent Diffusion Model (SOLD), a novel RL framework that optimizes single-step noise without sampling the full diffusion trajectory, achieving efficient refinement of multiple structural objectives. Experimental results demonstrate SOLD surpasses its LDM baseline and state-of-the-art methods across all metrics, establishing a robust framework for RNA inverse folding with profound implications for biotechnological and therapeutic applications.
• Abstract（参考訳）: RNA逆フォールディング(RNA逆フォールディング)は、特定の3D構造を形成する配列を設計し、治療、遺伝子制御、合成生物学において重要である。 現在の方法では、二次構造整合性(SS)、最小自由エネルギー(MFE)、局所距離差分法(LDDT)といった構造的目的への対処が困難であり、最適構造的正確性に繋がる。 そこで本研究では,潜在拡散モデル(LDM)と統合された強化学習(RL)フレームワークを提案する。 RNA逆フォールディングにおける拡散モデルの成功からインスピレーションを得て,RNA-FMを組み込んだLDMを開発した。 これらの埋め込みは共進化パターンをキャプチャし、シーケンス回復の精度を著しく向上させる。 しかし、拡散に基づく手法を含む既存の手法では、非微分不可能な構造的目的を効果的に扱えない。 対照的に、RLはポリシー駆動の報酬最適化を使用して、複雑で漸進的ではない目的をナビゲートすることで、このタスクを優れている。 本稿では,全拡散軌道をサンプリングすることなく単一ステップノイズを最適化し,複数の構造的目的を効率的に改善する新しいRLフレームワークであるLatent Diffusion Model (SOLD)を提案する。 実験の結果,SOLD は LDM ベースラインと最先端の手法を全指標にわたって超越し,RNA 逆フォールディングの堅牢な枠組みを確立し,バイオテクノロジーおよび治療への応用に深く影響していることがわかった。

関連論文リスト

• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
  拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-10-17T15:10:13Z)
• Latent Diffusion Models for Controllable RNA Sequence Generation [33.38594748558547]
  RNAはDNAとタンパク質の間の重要な中間体であり、高い配列の多様性と複雑な3次元構造を示す。 可変長の離散RNA配列の生成と最適化のための潜時拡散モデルを開発した。 実験の結果、RNA拡散は様々な生物学的指標の自然な分布と一致した非コードRNAを生成することが確認された。
  論文  参考訳（メタデータ） (2024-09-15T19:04:50Z)
• Scalable Deep Learning for RNA Secondary Structure Prediction [38.46798525594529]
  本稿では,アキシャルアテンションとリサイクリングを用いた学習モデルであるRNAformerについて述べる。 提案手法は,一般的なTS0ベンチマークデータセット上での最先端性能を実現する。 RNAフォーマがRNA折り畳み過程の生体物理モデルを学ぶことができることを示す。
  論文  参考訳（メタデータ） (2023-07-14T12:54:56Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)

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。