基于三级结构生成的 RNA 设计
讨论了 RNA 和 RNA 的二级结构及其预测的基本概念,以及机器学习技术在预测生物大分子结构中的应用,并提出了基于 ResNet 的 RNA 三级结构预测算法和打分模型。
Apr, 2024
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
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。
Dec, 2018
RNAFlow 是一种基于流动匹配模型的蛋白质条件下的 RNA 序列结构设计方法,通过集成 RNA 逆折叠模型和预训练的 RosettaFold2NA 网络生成 RNA 序列和结构,利用条件化的结构去噪网络简化了训练过程,并通过推断的构象集合对逆折叠模型进行增强,从而模拟动态的 RNA 构象。在蛋白质条件下的 RNA 结构和序列生成任务的评估中,证明了 RNAFlow 相对于现有 RNA 设计方法的优势。
May, 2024
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
本文介绍了使用最新算法 RNAiFold 设计生成的十种手锤式核酸酶以及一种更大人工核酸结构的组装体,利用动力学分析显示出它们的裂解速率与靶位氨基酸比熵,集团缺陷,结构灵活性 / 刚性等有关。这是有史以来第一次完全计算设计和实验验证新型功能核酸酶。
Aug, 2014
基于轴向注意力和潜变量空间循环利用的 RNAformer 模型在 RNA 二级结构预测领域取得了突破性进展,超越了使用外部信息的方法,在 TS0 基准数据集上实现了最先进的性能,并实验证明 RNAformer 能够学习到 RNA 折叠过程的生物物理模型。
Jul, 2023
利用人工智能等方法进行蛋白质工程和全新设计的研究方案,如生成模型和扩散过程,能够生成展现出所需特性和功能的全新而真实的蛋白质,在优先测试设计方案方面仍然面临一些挑战,因此需要综合生物化学知识提高性能和可解释性。
Oct, 2023