論文の概要: Fair splits flip the leaderboard: CHANRG reveals limited generalization in RNA secondary-structure prediction

• arxiv url: http://arxiv.org/abs/2603.22330v1
• Date: Fri, 20 Mar 2026 20:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.068714
• Title: Fair splits flip the leaderboard: CHANRG reveals limited generalization in RNA secondary-structure prediction
• Title（参考訳）: CHANRGがRNA二次構造予測における限定的な一般化を公表
• Authors: Zhiyuan Chen, Zhenfeng Deng, Pan Deng, Yue Liao, Xiu Su, Peng Ye, Xihui Liu,
• Abstract要約: 現在のベンチマークではRNAファミリー間の一般化を過大評価することができる。 我々は包括的階層を提示する。 非コードRNA群(英: Non-coding RNA Groups of Non-coding RNAs,CHANRG)は、170,083個の構造的非冗長RNAのベンチマークである。
• 参考スコア（独自算出の注目度）: 44.072730684426794
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of RNA secondary structure underpins transcriptome annotation, mechanistic analysis of non-coding RNAs, and RNA therapeutic design. Recent gains from deep learning and RNA foundation models are difficult to interpret because current benchmarks may overestimate generalization across RNA families. We present the Comprehensive Hierarchical Annotation of Non-coding RNA Groups (CHANRG), a benchmark of 170{,}083 structurally non-redundant RNAs curated from more than 10 million sequences in Rfam~15.0 using structure-aware deduplication, genome-aware split design and multiscale structural evaluation. Across 29 predictors, foundation-model methods achieved the highest held-out accuracy but lost most of that advantage out of distribution, whereas structured decoders and direct neural predictors remained markedly more robust. This gap persisted after controlling for sequence length and reflected both loss of structural coverage and incorrect higher-order wiring. Together, CHANRG and a padding-free, symmetry-aware evaluation stack provide a stricter and batch-invariant framework for developing RNA structure predictors with demonstrable out-of-distribution robustness.
• Abstract（参考訳）: RNA二次構造の正確な予測は、トランスクリプトームアノテーション、非コードRNAの力学解析、およびRNA治療設計を支える。 ディープラーニングとRNA基盤モデルの最近の進歩は、現在のベンチマークがRNAファミリー全体にわたる一般化を過大評価しているため、解釈が難しい。 本稿では,Rfam~15.0の1000万個以上の配列から得られた170{,}083個の構造的非冗長RNA群(CHANRG)を,構造認識の重複,ゲノム認識の分割設計,マルチスケール構造評価を用いて解析した。 29個の予測器のうち、基礎モデル法が最も高い保持精度を達成したが、その利点の大半を分布から失ったが、構造化デコーダと直接神経予測器は著しく頑健であった。 このギャップは、シーケンス長の制御後に持続し、構造的カバレッジの損失と高次配線の誤りの両方を反映した。 CHANRGとパディングフリーで対称性を意識した評価スタックは、より厳密でバッチ不変なフレームワークを提供し、RNA構造予測を実証可能なアウト・オブ・ディストリビューション・ロバスト性を持つ。

関連論文リスト

• RiboSphere: Learning Unified and Efficient Representations of RNA Structures [57.40815107640066]
  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。
  論文  参考訳（メタデータ） (2026-03-20T04:36:35Z)
• 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)
• Comprehensive benchmarking of large language models for RNA secondary structure prediction [0.0]
  RNA-LLMはRNA配列の大規模なデータセットを使用して、自己教師付き方法で、意味的に豊かな数値ベクトルで各RNA塩基をどう表現するかを学ぶ。 その中で、二次構造を予測することは、RNAの機能的機構を明らかにするための基本的な課題である。 本稿では,いくつかの事前学習されたRNA-LLMの総合的な実験解析を行い,それらを統合されたディープラーニングフレームワークにおけるRNA二次構造予測タスクと比較する。
  論文  参考訳（メタデータ） (2024-10-21T17:12:06Z)
• 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。