論文の概要: RiboSphere: Learning Unified and Efficient Representations of RNA Structures

• arxiv url: http://arxiv.org/abs/2603.19636v1
• Date: Fri, 20 Mar 2026 04:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.997647
• Title: RiboSphere: Learning Unified and Efficient Representations of RNA Structures
• Title（参考訳）: RiboSphere:RNA構造の統一的で効率的な表現を学習する
• Authors: Zhou Zhang, Hanqun Cao, Cheng Tan, Fang Wu, Pheng Ann Heng, Tianfan Fu,
• Abstract要約: RNAのバックボーンは非常に柔軟で、非カノニカル相互作用が一般的であり、実験的に決定された3D構造は比較的少ない。 本稿では,ベクトル量子化とフローマッチングを組み合わせることで,RNAの固有な幾何学的表現を学習するフレームワークであるemphRiboSphereを紹介する。
• 参考スコア（独自算出の注目度）: 57.40815107640066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate RNA structure modeling remains difficult because RNA backbones are highly flexible, non-canonical interactions are prevalent, and experimentally determined 3D structures are comparatively scarce. We introduce \emph{RiboSphere}, a framework that learns \emph{discrete} geometric representations of RNA by combining vector quantization with flow matching. Our design is motivated by the modular organization of RNA architecture: complex folds are composed from recurring structural motifs. RiboSphere uses a geometric transformer encoder to produce SE(3)-invariant (rotation/translation-invariant) features, which are discretized with finite scalar quantization (FSQ) into a finite vocabulary of latent codes. Conditioned on these discrete codes, a flow-matching decoder reconstructs atomic coordinates, enabling high-fidelity structure generation. We find that the learned code indices are enriched for specific RNA motifs, suggesting that the model captures motif-level compositional structure rather than acting as a purely compressive bottleneck. Across benchmarks, RiboSphere achieves strong performance in structure reconstruction (RMSD 1.25\,Å, TM-score 0.84), and its pretrained discrete representations transfer effectively to inverse folding and RNA--ligand binding prediction, with robust generalization in data-scarce regimes.
• Abstract（参考訳）: 正確なRNA構造のモデリングは、RNAのバックボーンは非常に柔軟であり、非標準的相互作用が一般的であり、実験的に決定された3D構造は比較的少ないため、依然として困難である。 本稿では, ベクトル量子化とフローマッチングを組み合わせることで, RNAの幾何学的表現を学習するフレームワークである \emph{RiboSphere} を紹介する。 我々の設計はRNAアーキテクチャのモジュラー構造によって動機付けられており、複雑な折り畳みは繰り返し発生する構造モチーフから成り立っている。 RiboSphereは幾何トランスフォーマーエンコーダを使用してSE(3)不変(回転/変換-不変)の特徴を生成し、これは有限スカラー量子化(FSQ)と区別される。 これらの離散符号に基づいて、フローマッチングデコーダは原子座標を再構成し、高忠実度構造の生成を可能にする。 学習したコードインデックスは特定のRNAモチーフに富み、モデルが純粋に圧縮的なボトルネックとして働くのではなく、モチーフレベルの構成構造を捉えることを示唆している。 ベンチマーク全体では、RiboSphereは構造再構成(RMSD 1.25\, TM-score 0.84)において高い性能を達成し、その事前訓練された離散表現は、データスカース方式の堅牢な一般化とともに、逆折り畳みおよびRNA-リガンド結合予測に効果的に転送される。

関連論文リスト

• RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion [19.386628516684695]
  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。
  論文  参考訳（メタデータ） (2026-02-18T15:52:26Z)
• 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)
• 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)
• Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
  Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。 フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
  論文  参考訳（メタデータ） (2021-06-24T14:34:24Z)

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。