Dec, 2023

利用预期分区函数和连续优化设计信使和非编码 RNA

PDF
TL;DR设计信使 RNA 和非编码 RNA 是离散优化问题，我们提出一种基于 “期望分割函数” 的连续优化框架，通过梯度下降优化方法逐渐缩小分布，以解决这些问题。在 mRNA 设计和非编码 RNA 设计两个重要案例中，我们的方法取得了有希望的初步结果。
messenger rnasnon-coding rnascontinuous optimizationexpected partition functiongradient descent-based optimization
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

  • 学习设计 RNA

    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

  • 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

  • 贝叶斯优化用于合成基因设计

    本文提出了一种三步法来解决合成基因设计中的优化问题，使用高斯过程模型来模拟细胞行为，定义了基于生物有意义的基因特征的最优基因设计规则，提出了多任务获得函数来同时优化多个感兴趣的方面，并定义了一个评估函数来排列和选择符合最佳设计策略的候选基因序列集合，并在哺乳动物细胞的实验中证明了该方法的性能。

    May, 2015

  • 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

  • 一种用于图划分中无监督图神经网络的新的可微损失函数

    本研究引入了一种新颖的流程，利用无监督图神经网络来解决图分割问题，并提出了一个专门用于此目的的可微损失函数。对于当前先进技术，我们对度量指标：割边和平衡进行了严格评估，结果表明我们的方法具有竞争力。

    Dec, 2023

  • 基于奇偶约束的优化问题：从二进制编码到离散积分

    本研究关注了对指数级别集合进行求和的概率推断任务，并提出了一种基于随机生成奇偶约束模型的多项式数量级别的 MAP 推断查询的求解方法，结合迭代消息传递解码算法和整数线性规划 (ILP) 方案以及新的稀疏化技术，可以得到分割函数的下限和上限，与变分方法相比，具有更高的概率和更紧的限制。

    Sep, 2013

  • 一种用于不可分函数的线性时间自然进化策略

    本研究提出了一种新颖的自然进化策略 (R1-NES) 算法，其使用搜索分布协方差矩阵的低秩近似，可以在参数空间线性时间内计算自然梯度，优于传统算法求解高维非可分离问题的能力，在 Rosenbrock 函数 (512 维) 中取得了最好的结果。

    Jun, 2011

  • RNAFlow: 通过逆向折叠流匹配的 RNA 结构和序列设计

    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

  • 通信约束下的分布式非参数回归

    本文研究了分布在多个机器上的数据的非参数平滑函数估计问题，其中每个机器上收集了来自白噪声模型的独立样本，并需要在中央机器上构建潜在真实函数的估计值以及在每台机器上限制了传输信息所需的比特数。我们给出了各种设置下统计风险的渐近下限和匹配上限，并且确定了三个不同的区别（通信预算 / 机器数 / 每台机器上可用数据大小），在这些区别中当通信预算很小时，统计风险仅取决于通信瓶颈，而与样本量无关；在通信预算很大的区域内，与非分布式估计的经典极小风险的情况相同；在一种中间机制中，统计风险取决于样本大小和通信预算。

    Mar, 2018