論文の概要: RNADyn: A Benchmark for Generating and Understanding RNA Dynamics

• arxiv url: http://arxiv.org/abs/2610.03712v1
• Date: Fri, 02 Oct 2026 17:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.559288
• Title: RNADyn: A Benchmark for Generating and Understanding RNA Dynamics
• Title（参考訳）: RNADyn:RNAダイナミクスの生成と理解のためのベンチマーク
• Abstract要約: RNADynBenchは、標準化されたRNA分子動力学(MD)ベンチマークで、品質制御された100-nsの全原子軌道とリーク制御されたスプリットを2585個導入する。 我々は、軌道生成と動的指紋抽出の両方に共有バックボーンを用いたRNA動的学習の統一モデルであるRNADynNetを開発した。
• 参考スコア（独自算出の注目度）: 27.829627405929376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ribonucleic acid (RNA) functions through conformational changes that are not fully captured by static structures. However, large-scale standardized RNA dynamics data remain limited, and existing approaches typically treat trajectory generation and dynamics understanding as separate objectives. Here, we introduce RNADynBench, a standardized RNA molecular dynamics (MD) benchmark with 2585 quality-controlled 100-ns all-atom trajectories and leakage-controlled splits. Building on RNADynBench, we develop RNADynNet, a unified model for RNA dynamics learning that uses a shared backbone for both trajectory generation and dynamics fingerprint extraction from a single conformer. It combines coordinate denoising, single-frame-to-trajectory alignment, and physical grounding to connect all-atom trajectory generation with dynamics representation learning. Physical grounding improves both generated dynamics and the physical information recoverable from these fingerprints. Across both test sets, including the high-flexibility challenge set, the generated trajectories achieve RMSF correlations of 0.875 and 0.766, while single-conformer predictions show comparable agreement with MD-derived dynamics. RNADynBench and RNADynNet together establish a benchmark and unified modeling framework for generating and understanding RNA dynamics.
• Abstract（参考訳）: リボ核酸(RNA)は、静的構造によって完全に捕捉されない構造変化を介して機能する。 しかし、大規模に標準化されたRNAのダイナミックスデータは依然として限られており、既存のアプローチでは軌道生成と動的理解を別々の目的として扱うのが一般的である。 本稿では、RNADynBenchについて紹介する。RNADynBenchは、標準化されたRNA分子動力学(MD)ベンチマークであり、2585の品質制御された100-nsの全原子軌道とリーク制御されたスプリットを持つ。 RNADynBench上に構築したRNA動的学習モデルであるRNADynNetを開発した。 座標記述、単一フレームから軌道へのアライメント、物理接地を組み合わせることで、全原子軌道生成と動的表現学習を結びつける。 物理グラウンドティングは、生成されたダイナミクスとこれらの指紋から回復可能な物理情報の両方を改善する。 高フレキシビリティチャレンジセットを含む両方のテストセットにおいて、生成された軌道はRMSFの0.875と0.766の相関を達成し、一方シングルコンフォーマー予測はMD由来のダイナミクスと同等の一致を示した。 RNADynBenchとRNADynNetは共に、RNAダイナミクスの生成と理解のためのベンチマークと統合モデリングフレームワークを構築している。

関連論文リスト

• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• 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)
• CrossLLM-Mamba: Multimodal State Space Fusion of LLMs for RNA Interaction Prediction [4.05599528263557]
  状態空間アライメント問題として相互作用予測を再構成する新しいフレームワークであるCrossLLM-Mambaを紹介する。 RNA-タンパク質、RNA-小分子、RNA-RNAの3つの相互作用カテゴリにわたる総合的な実験は、CrossLLM-Mambaが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-23T19:57:11Z)
• 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)
• 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)
• 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。