論文の概要: RNA Design via Conditioned Flow Matching and Finite-Policy Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.36885v1
• Date: Tue, 29 Sep 2026 07:14:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.273295
• Title: RNA Design via Conditioned Flow Matching and Finite-Policy Reinforcement Learning
• Title（参考訳）: 条件付きフローマッチングと有限要素強化学習によるRNA設計
• Abstract要約: RNAの設計は、特定の二次構造に折り畳まれた配列を特定することを目的としている。 RNA-IFlow(Inverse-Folding Flow)とRNA-IFlow-RL(RNA-IFlow-RL)からなる2段階のフレームワークを提案する。 Rfam-27では85.19%のPass@1に達した。
• 参考スコア（独自算出の注目度）: 13.170424880435178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RNA design aims to identify sequences that fold into specified secondary structures. Existing methods formulate the task as target-specific search or conditional generation. However, natural RNA evolution proceeds through sequence variation and selection, with compensatory substitutions, whereas these methods do not explicitly model this process. To address this limitation, we propose a two-stage framework comprising RNA Inverse-Folding Flow (RNA-IFlow) and RNA-IFlow-RL. RNA-IFlow uses structure-conditioned Dirichlet Flow Matching to model coordinated variation across the sequence, while RNA-IFlow-RL maps the learned flow to a pairing-preserving finite policy and refines it with thermodynamic feedback. Our framework achieves leading performance on multiple benchmarks, reaching 85.19% Pass@1 on Rfam-27. Further analyses reveal thermodynamic gains, policy dynamics, and robustness across settings. Our work couples coordinated variation with thermodynamic selection, offering a novel paradigm for RNA design.
• Abstract（参考訳）: RNAの設計は、特定の二次構造に折り畳まれた配列を特定することを目的としている。 既存の方法は、タスクをターゲット固有の検索または条件生成として定式化する。 しかし、自然のRNAの進化は配列の変異と選択によって進行し、補充置換は進行するが、これらの手法はこの過程を明示的にモデル化していない。 そこで本研究では,RNA逆フォールディングフロー(RNA-IFlow)とRNA-IFlow-RLからなる2段階のフレームワークを提案する。 RNA-IFlowは構造条件付きDirichlet Flow Matchingを使用してシーケンス間の協調的な変動をモデル化し、RNA-IFlow-RLは学習したフローをペア保存有限ポリシーにマッピングし、熱力学的フィードバックで洗練する。 Rfam-27では85.19%のPass@1に達した。 さらなる分析により、セッティング間の熱力学的利得、ポリシーダイナミクス、ロバストネスが明らかになる。 我々の研究は熱力学的選択と組み合わせて、RNA設計の新しいパラダイムを提供しました。

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)
• BAnG: Bidirectional Anchored Generation for Conditional RNA Design [15.92155083519678]
  既存の計算手法では、特定のタンパク質ごとに既知のRNA配列がかなり必要である。 RNA-BAnGは,タンパク質相互作用のためのRNA配列を生成するための深層学習モデルである。
  論文  参考訳（メタデータ） (2025-02-28T17:51:00Z)
• RNACG: A Universal RNA Sequence Conditional Generation model based on Flow-Matching [0.0]
  本稿では,フローマッチングに基づくRNA配列設計のための汎用フレームワークであるRNACG(RNA Generator)を提案する。 1つのフレームワークでシーケンス生成を統一することにより、RNACGは複数のRNA設計パラダイムの統合を可能にする。
  論文  参考訳（メタデータ） (2024-07-29T09:46:46Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• RNAFlow: RNA Structure & Sequence Design via Inverse Folding-Based Flow Matching [7.600990806121113]
  RNAFlowはタンパク質条件のRNA配列構造設計のためのフローマッチングモデルである。 そのデノナイジングネットワークはRNA逆フォールディングモデルと事前訓練されたRosettaFold2NAネットワークを統合し、RNA配列と構造を生成する。
  論文  参考訳（メタデータ） (2024-05-29T05:10:25Z)
• 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。