Fugu-MT 論文翻訳(概要): The Montparnasse Algorithm for RNA Design

論文の概要: The Montparnasse Algorithm for RNA Design

arxiv url: http://arxiv.org/abs/2606.07562v1
Date: Mon, 25 May 2026 17:06:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-15 07:09:36.72308
Title: The Montparnasse Algorithm for RNA Design
Title（参考訳）: RNA設計のためのMontparnasseアルゴリズム
Authors: Tristan Cazenave,
Abstract要約: 一般化Nested Rollout Policy Adaptationに基づくモンテカルロ探索フレームワークであるMontparnasseを提案する。ヘモグロビンαのメッセンジャーRNA二次構造最適化では、LinearDesignのMFE最適解よりも、よりペア化された塩基を持つ配列を同定する。
参考スコア（独自算出の注目度）: 3.046576641182083
License: http://creativecommons.org/licenses/by/4.0/
Abstract: RNA design consists of discovering a nucleotide sequence that optimizes predefined criteria, such as secondary structure. It is useful for synthetic biology, medicine, and nanotechnology. We propose Montparnasse, a Monte Carlo search framework based on Generalized Nested Rollout Policy Adaptation, augmented with a problem-specific prior, slow and long adaptation at level 1, and a lexicographic multicriteria evaluation. Montparnasse solves all 100 puzzles of the Eterna100 V1 benchmark consistently faster than DesiRNA, the previous state of the art, across all time limits, reaching full coverage more than three times faster overall. On messenger RNA secondary structure optimization for hemoglobin alpha, it identifies sequences with more paired bases than the MFE-optimal solution of LinearDesign.
Abstract（参考訳）: RNAの設計は、二次構造のような予め定義された基準を最適化するヌクレオチド配列の発見から成り立っている。合成生物学、医学、ナノテクノロジーに有用である。一般化ネストロールアウトポリシー適応に基づくモンテカルロ探索フレームワークであるMontparnasseを提案する。 Montparnasseは、Eterna100 V1ベンチマークの100のパズルを、これまでの最先端のDesiRNAよりも一貫して高速に解決し、全体の3倍以上のカバレッジを達成した。ヘモグロビンαのメッセンジャーRNA二次構造最適化では、LinearDesignのMFE最適解よりも、よりペア化された塩基を持つ配列を同定する。

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)
Designing RNAs with Language Models [3.332772772624738]
RNA設計は指数関数的に大きな配列空間と指数関数的に多くの競合する折り畳みのために困難である。自己回帰言語モデル (LM) としてインスタンス化された再利用可能なニューラル近似器を導入し, ターゲット構造を直接シーケンスにマッピングする。 4つのデータセットにわたって、我々の手法はボルツマン確率のような重要な指標上で最先端のシステムよりも1.7倍高速である。
論文参考訳（メタデータ） (2026-02-12T22:57:09Z)
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)
BeeRNA: tertiary structure-based RNA inverse folding using Artificial Bee Colony [2.294560379370898]
本稿では,ABC最適化アルゴリズムを用いたバイオインスパイアされたBeeRNAを提案する。我々は、マイクロRNA、アプタマー、リボザイムを含む生物学的に重要な構造である、短長および中長のRNAに焦点を当てる。軽量で、トレーニング不要な実装はランタイム向けに公開され、治療とバイオテクノロジーにおけるRNA設計に有望なバイオインスパイアされたアプローチを提供する。
論文参考訳（メタデータ） (2025-11-26T12:43:32Z)
Eterna is Solved [4.561007128508218]
我々は,MOGNRPALR RNA設計アルゴリズムを用いた多目的汎用Nested Rollout Policy Adaptationを提案する。
論文参考訳（メタデータ） (2025-05-04T13:31:53Z)
Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。 2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
論文参考訳（メタデータ） (2025-03-11T02:33:33Z)
Bridging Sequence-Structure Alignment in RNA Foundation Models [7.068604225076706]
基礎モデル(FM)におけるRNA配列と構造との整合性についてはまだ研究されていない。既存のFMは配列構造アライメントを確立するのに苦労しており、ゲノム情報の自由な流れを妨げる。 OmniGenomeはRNA配列を構造コンテクスト化されたモデリングに基づく二次構造に整合させる訓練されたRNA FMである。
論文参考訳（メタデータ） (2024-07-15T21:10:40Z)
Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。 RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
論文参考訳（メタデータ） (2022-12-02T16:34:56Z)
Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
論文参考訳（メタデータ） (2022-09-13T18:37:27Z)
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)
RNA Secondary Structure Prediction By Learning Unrolled Algorithms [70.09461537906319]
本稿では,RNA二次構造予測のためのエンド・ツー・エンドのディープラーニングモデルであるE2Efoldを提案する。 E2Efoldの鍵となる考え方は、RNA塩基対行列を直接予測し、制約のないプログラミングを、制約を強制するための深いアーキテクチャのテンプレートとして使うことである。ベンチマークデータセットに関する包括的な実験により、E2Efoldの優れた性能を実証する。
論文参考訳（メタデータ） (2020-02-13T23:21:25Z)

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。