論文の概要: TANGO: RNA Topology and Geometry Co-Design

• arxiv url: http://arxiv.org/abs/2610.20277v1
• Date: Wed, 14 Oct 2026 14:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.206149
• Title: TANGO: RNA Topology and Geometry Co-Design
• Title（参考訳）: TANGO:RNAトポロジーと幾何学の共同設計
• Abstract要約: RNA逆設計をトポロジーと幾何学の共設計問題として定式化する。 本稿では,多目的強化学習フレームワークであるTANGOを提案する。 実験の結果、タンゴは多様なデザインと斬新なデザインを生み出し、三次構造と二次構造のパフォーマンスをそれぞれ18.3%、52.7%向上させた。
• 参考スコア（独自算出の注目度）: 20.59589215130711
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Designing RNA sequences that satisfy target tertiary-structure objectives is an important problem in RNA engineering, with broad applications in synthetic biology and therapeutics. Existing 3D RNA design methods have made substantial progress, but they largely treat the target fold as a geometry-only objective. This is incomplete for RNA, whose functional folds are specified not only by tertiary geometry but also by secondary base-pairing topology. We therefore formulate RNA inverse design as a topology-and-geometry co-design problem and propose TANGO, a multi-objective multi-agent reinforcement learning framework for this task. TANGO adopts a staged curriculum: it first learns a topology-aware policy from secondary-structure targets, then transfers this policy to tertiary-structure targets to train a general co-design model, and finally applies frontier-guided fine-tuning to refine target-specific trade-offs among secondary-structure fidelity, tertiary-structure fidelity, and sequence diversity. Experiments show that TANGO generates diverse and novel designs, improving tertiary- and secondary-structure performance by 18.3% and 52.7%, respectively, over the strongest baseline.
• Abstract（参考訳）: 第3次構造的目的を満たすRNA配列を設計することは、RNA工学において重要な問題であり、合成生物学や治療に広く応用されている。 既存の3D RNA設計手法は大幅に進歩しているが、ターゲットの折り畳みを幾何学のみの目的として扱う。 これはRNAにとって不完全であり、機能的折りたたみは第三次幾何学だけでなく、二次塩基対トポロジーによっても指定されている。 そこで我々は,RNA逆設計をトポロジーと幾何学の共設計問題として定式化し,多目的マルチエージェント強化学習フレームワークであるTANGOを提案する。 TANGOはまず、二次構造的目標からトポロジを意識した政策を学習し、次にこの方針を第三構造的目標に移行し、一般的な共同設計モデルを訓練し、最後にフロンティア誘導微調整を適用して、二次構造的忠実性、第三構造的忠実性、およびシーケンス多様性の間のターゲット固有のトレードオフを洗練させる。 実験の結果、タンゴは多種多様なデザインと斬新なデザインを生み出し、三次構造と二次構造のパフォーマンスをそれぞれ18.3%、52.7%向上させた。

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)
• 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)
• 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)
• gRNAde: Geometric Deep Learning for 3D RNA inverse design [14.729049204432027]
  gRNAdeは3次元RNAバックボーンで動作する幾何学的RNA設計パイプラインである。 構造と力学を明示的に考慮したシーケンスを生成する。
  論文  参考訳（メタデータ） (2023-05-24T05:46:56Z)
• 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。