可扩展的深度学习用于 RNA 次级结构预测
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
我们提出了一种端到端的深度学习模型 E2Efold,用于 RNA 二级结构预测,可以有效地考虑问题中的固有约束,并通过约束规划的未卷积算法作为深度结构的模板强制实施约束,全面实验表明,E2Efold 具有优越的性能:相对于之前的 SOTA,特别是对于伪结节数量结构的预测具有显著的改进,同时推断时间也不会慢于最快的算法。
Feb, 2020
利用机器学习方法,通过构建神经网络模型和使用最新的建模方法对蛋白质二级结构的预测结果进行了研究和探讨,实验结果表明,模型精度达到 70.7%。通过完整地开放训练数据及代码,为领域内可重复性研究树立了良好标准。
Nov, 2018
本文提出了一种基于双向长短期记忆细胞(LSTM)的循环神经网络模型来预测蛋白质的二级结构,使用 CB513 数据集评估,结果显示在 8 个类别中具有更好的性能(0.674)比现有技术(0.664)好。
Dec, 2014
本研究通过深度学习技术,使卷积神经网络适应蛋白二级结构预测问题,达到了 70%的准确度,并尝试使用序列到序列学习和集合策略进一步提高精确度。
Nov, 2016
我们引入了一种新颖的全卷积神经网络 (FCN) 结构,用于预测核糖核酸 (RNA) 分子的二级结构。通过将 RNA 结构解释为加权图,我们利用深度学习来估计核苷酸残基之间的配对概率。与我们的模型独特的是其拥有的大型 11-pixel 卷积核,我们认为在 RNA 二级结构领域上,这为 FCN 带来了明显的优势。在由 1,305 种分子组成的广泛采用的标准测试集上,我们的方法的准确率超过了当前最先进的二级结构预测软件,整体结构的 Matthews 相关系数 (MCC) 比其他主要方法高出 11-40%,而特别是拟结对结构,高出 58-400%。
Jun, 2024
本文提出了一个基于深度神经网络的端到端模型,通过集成局部和全局环境特征来预测蛋白质二级结构,并结合多任务学习同时预测二级结构标签和氨基酸溶剂可及性,取得了 69.7% 到 73.1% 的 Q8 准确率。
Apr, 2016
本文研究了如何应用深度学习技术,创建一种新的卷积神经网络结构,用于蛋白质序列的次级结构预测,并在 CB513 基准数据集上达到了 71.4%Q8 准确率。
Feb, 2017
准确的 RNA 二级结构预测对于理解细胞调控和疾病机制至关重要。通过预测伪结和多相互作用碱基对等复杂特征,深度学习方法已经超过了传统算法。然而,传统距离度量难以处理如此三级相互作用,目前使用的评估指标(F1 分数,MCC)存在局限性。我们提出 Weisfeiler-Lehman 图核作为一种替代度量标准。采用基于图的度量标准如 WL 可以公正准确地评估 RNA 结构预测算法。此外,WL 在 RNA 设计实验中展示了信息丰富的指导作用。
Dec, 2023
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