論文の概要: RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion

• arxiv url: http://arxiv.org/abs/2602.16548v1
• Date: Wed, 18 Feb 2026 15:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.635973
• Title: RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion
• Title（参考訳）: RIDER:強化学習誘導拡散を用いた3次元RNA逆設計
• Authors: Tianmeng Hu, Yongzheng Cui, Biao Luo, Ke Li,
• Abstract要約: RIDERはRNA Inverse Designフレームワークであり、Reinforcement Learningは3D構造的類似性を直接最適化する。 まず,対象3次元構造に条件付きGNNに基づく生成拡散モデルの開発と事前学習を行う。 そして,3次元自己整合性指標に基づく4つのタスク固有報酬関数を用いて,改良されたポリシー勾配アルゴリズムを用いてモデルを微調整する。
• 参考スコア（独自算出の注目度）: 19.386628516684695
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The inverse design of RNA three-dimensional (3D) structures is crucial for engineering functional RNAs in synthetic biology and therapeutics. While recent deep learning approaches have advanced this field, they are typically optimized and evaluated using native sequence recovery, which is a limited surrogate for structural fidelity, since different sequences can fold into similar 3D structures and high recovery does not necessarily indicate correct folding. To address this limitation, we propose RIDER, an RNA Inverse DEsign framework with Reinforcement learning that directly optimizes for 3D structural similarity. First, we develop and pre-train a GNN-based generative diffusion model conditioned on the target 3D structure, achieving a 9% improvement in native sequence recovery over state-of-the-art methods. Then, we fine-tune the model with an improved policy gradient algorithm using four task-specific reward functions based on 3D self-consistency metrics. Experimental results show that RIDER improves structural similarity by over 100% across all metrics and discovers designs that are distinct from native sequences.
• Abstract（参考訳）: RNAの3次元構造(3D)の逆設計は、合成生物学および治療における工学的機能的RNAに不可欠である。 最近のディープラーニングアプローチはこの分野で進歩しているが、一般的には、異なるシーケンスが類似した3D構造に折り畳み可能であり、高いリカバリが必ずしも正しい折りたたみを示すとは限らないため、構造的忠実性の限られたサロゲートであるネイティブシーケンスリカバリを用いて最適化され評価されている。 この制限に対処するために,3次元構造的類似性を直接最適化するReinforcement Learningを用いたRNA逆設計フレームワークであるRIDERを提案する。 まず, 対象3次元構造に条件付きGNNに基づく生成拡散モデルの開発と事前学習を行い, 最先端手法よりも9%改良されたネイティブシークエンス回復を実現する。 そして,3次元自己整合性指標に基づく4つのタスク固有報酬関数を用いて,改良されたポリシー勾配アルゴリズムを用いてモデルを微調整する。 実験の結果,RIDERはすべての指標に対して100%以上の構造的類似性を向上し,固有配列とは異なる設計を発見することがわかった。

関連論文リスト

• Structure-based RNA Design by Step-wise Optimization of Latent Diffusion Model [22.539981000962374]
  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。
  論文  参考訳（メタデータ） (2026-01-27T06:04:02Z)
• Deep Learning Framework for RNA Inverse Folding with Geometric Structure Potentials [0.0]
  エンド・ツー・エンドのRNA設計を可能にするために、Geometric Vector PerceptronレイヤとTransformerアーキテクチャを統合したディープラーニングフレームワークを紹介します。 本研究では,BGSU RNAリストから抽出・分解したRNA3D構造からなるデータセットを構築し,配列回復率とTMスコアの両方を用いて性能評価を行った。 私のモデルは最先端のパフォーマンスを達成し、リカバリとTMスコアは0.481と0.332で、RNAファミリーや長さスケールにまたがる既存の手法を上回ります。
  論文  参考訳（メタデータ） (2025-12-31T15:43:12Z)
• Protein Inverse Folding From Structure Feedback [78.27854221882572]
  本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-06-03T16:02:12Z)
• gRNAde: Geometric Deep Learning for 3D RNA inverse design [14.729049204432027]
  gRNAdeは3次元RNAバックボーンで動作する幾何学的RNA設計パイプラインである。 構造と力学を明示的に考慮したシーケンスを生成する。
  論文  参考訳（メタデータ） (2023-05-24T05:46:56Z)
• 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)
• 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。