Jan, 2024

α-HMM: RNA 折叠的图形模型

PDF
TL;DR用新的任意阶隐马尔可夫模型（α-HMM）对 RNA 二级结构进行建模，通过模拟受历史上较远事件影响的随机事件，适合描述核苷酸之间的长程典型碱基配对，构成 RNA 二级结构，并且与之前的复杂扩展相比，α-HMM 具有对随机过程中一个事件如何影响另一个事件的限制，从而能够高效地预测包括伪结在内的 RNA 二级结构。
rna secondary structurearbitrary-order hidden markov model{\alpha}-hmmstochastic eventslong-range canonical base pairings
发现论文，激发创造
  • 基于展开算法学习的 RNA 次级结构预测

    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

  • 可扩展的深度学习用于 RNA 次级结构预测

    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

  • 使用基于 Transformer 的深度学习模型来进行 RNA 二级结构预测

    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

  • Kirigami：大型卷积核提高基于深度学习的 RNA 二级结构预测

    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

  • 使用长短期记忆网络进行蛋白质二级结构预测

    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

  • 用克隆的隐马尔可夫模型学习高阶时序结构

    本论文提出一个名为 cloned HMM 的稀疏结构的 Hidden Markov Models 模型，通过这一结构，模型可以高效地学习变化顺序序列及处理不确定性，实现了对 n-gram、序列记忆器和 RNN 等方法的超越。

    May, 2019

  • 缩放隐马尔可夫语言模型

    本研究重新探讨使用最新的神经模型方法实现隐藏马尔可夫模型（HMM）规模化的挑战，提出了一种方法来快速有效地在大规模状态空间中对 HMM 进行精确推断、紧凑参数化以及有效规范化，取得的实验证明，该方法比之前的 HMM 和 n-gram 方法更准确，为实现最先进的神经模型的性能作出了贡献。

    Nov, 2020

  • 重新思考 RNA 次级结构问题的性能衡量

    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

  • 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

  • 用变分 HEM 对隐藏马尔可夫模型进行聚类

    本文提出了一种称为变分分层 EM (VHEM) 的算法，用于基于分层 EM 算法 (HEM) 对 HMM 进行聚类。该算法将给定的 HMM 集合聚类成相似的 HMM 组，并用集群中的 HMM 表示集群，以便更好地在时序数据的各种任务上使用。结果显示，VHEM 能够改善模型鲁棒性、减少学习时间和内存需求。

    Oct, 2012