学习设计 RNA

ICLRDec, 2018

Learning to Design RNA

Frederic Runge, Danny Stoll, Stefan Falkner, Frank Hutter

TL;DR提出了一种基于深度强化学习的 RNA 序列设计算法 ——LEARNA 和扩展版本 Meta-LEARNA。经实验证明，该方法在 RNA 设计方面具有新的最先进性能，且速度显著提高，同时具有较好的计算效率和普适性。

Abstract

Designing RNA molecules has garnered recent interest in medicine, synthetic biology, biotechnology and bioinformatics since many functional RNA molecules were shown to be involved in regulatory processes for transcription, epigenetics and translation. Since an RNA's function depends on

rna design deep reinforcement learning algorithm bioinformatics meta-learna

发现论文，激发创造

SentRNA: 在计算 RNA 设计中，通过融入人类设计策略的先验知识进行改进

通过将人类设计策略与机器学习相融合，我们提出了一种名为 SentRNA 的新型 RNA 设计算法，该算法使用全连接神经网络进行端到端训练，可以解决以前无法通过任何基于机器的方法解决的复杂问题，并在两个具有挑战性的测试集上实现了最新技术水平的性能。

Mar, 2018

基于三级结构生成的 RNA 设计

通过细胞的 3D 生物大分子和人工智能技术的学习，RNA 的 Tertiary 结构建模是一个关键问题，该研究展示了该模型的有效性，有望在 RNA 的设计方面提供更大的帮助。

Jan, 2023

基于几何多图神经网络的多状态 RNA 设计

本文提出了 gRNAde，这是一个几何 RNA 设计流程，它基于一组 3D RNA 主干结构操作，以显式考虑和反映 RNA 弯曲多样性来进行设计，可以改善多状态和结构多样的 RNAs 的生产。

May, 2023

朝自动化设计类 Ribo 开关的方向

利用计算方法设计筛选库，减少筛选候选物的数量，降低成本并提高效率，成功应用于茶碱核糖开关筛选，获得了 30% 更多的高质量候选物。

Jul, 2023

深度强化学习用于 De-Novo 药物设计

该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

Nov, 2017

RiNALMo：通用目的的 RNA 语言模型在结构预测任务上具有良好的泛化能力

RiNALMo 是最大的 RNA 语言模型，能够从 RNA 序列中提取隐藏的知识并捕捉内在的结构信息，在多个下游任务中取得了 state-of-the-art 的结果，并且具有通用能力能够克服其他深度学习方法在未见过的 RNA 家族上泛化的能力限制。

Feb, 2024

用 RNA 对比学习改进您的预测

通过对功能相似的基因组序列进行对比性学习，本研究提出了一种学习 RNA isoform 的通用表示方法，并在 RNA 半衰期和平均核糖体负载预测等下游任务上证实了其实用性。

Oct, 2023

元强化学习和贝叶斯优化设计生物序列

本文通过 MetaRLBO，提出了一种对于生物序列的加速设计方法，使用 Meta-Reinforcement Learning 训练自回归生成模型，以 Bayesian Optimization 为辅助选择出有前途的序列，获得较强的鲁棒性和相对具有竞争力的结果。

Sep, 2022

rnaglib 中基于 3D 的 RNA 功能预测工具

通过 rnaglib，我们使用 RNA 3D 结构数据集训练监督和无监督的机器学习模型来预测功能。

Feb, 2024

深度强化学习的分子全新设计

本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017