Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-bio > arXiv:1803.03146

帮助 | 高级搜索

定量生物学 > 定量方法

arXiv:1803.03146 (q-bio)
[提交于 2018年3月8日 (v1) ,最后修订 2019年3月6日 (此版本, v2)]

标题: SentRNA:通过结合人类设计策略的先验知识改进计算RNA设计

标题: SentRNA: Improving computational RNA design by incorporating a prior of human design strategies

Authors:Jade Shi (EteRNA players), Rhiju Das, Vijay S. Pande
摘要: 解决RNA逆折叠问题是在RNA设计中至关重要的前提,这是一个在生物工程中新兴的领域,具有从反应催化到癌症治疗的广泛应用。 尽管在开发基于机器的逆RNA折叠算法方面已经取得了显著进展,但目前的方法在为大型或复杂的目标设计序列时仍然存在困难。 另一方面,在线RNA设计游戏EteRNA的人类玩家在此方面表现出色,能够轻松设计出对机器算法来说具有挑战性的目标序列。 在这里,我们提出了一种新的RNA设计方法, SentRNA,一个由完全连接的神经网络组成的设计师代理,该网络通过使用人类设计的RNA序列进行端到端训练。 我们证明,通过这种方法,SentRNA可以解决之前任何基于机器的方法都无法解决的复杂目标,并在两个独立的具有挑战性的测试集上达到最先进的性能。 我们的结果表明,将人类设计策略纳入设计算法可以显著提升机器性能,并暗示了基于机器的RNA设计的新范式。
摘要: Solving the RNA inverse folding problem is a critical prerequisite to RNA design, an emerging field in bioengineering with a broad range of applications from reaction catalysis to cancer therapy. Although significant progress has been made in developing machine-based inverse RNA folding algorithms, current approaches still have difficulty designing sequences for large or complex targets. On the other hand, human players of the online RNA design game EteRNA have consistently shown superior performance in this regard, being able to readily design sequences for targets that are challenging for machine algorithms. Here we present a novel approach to the RNA design problem, SentRNA, a design agent consisting of a fully-connected neural network trained end-to-end using human-designed RNA sequences. We show that through this approach, SentRNA can solve complex targets previously unsolvable by any machine-based approach and achieve state-of-the-art performance on two separate challenging test sets. Our results demonstrate that incorporating human design strategies into a design algorithm can significantly boost machine performance and suggests a new paradigm for machine-based RNA design.
评论: 27页(不包括补充信息),9图,7表
主题: 定量方法 (q-bio.QM) ; 人工智能 (cs.AI); 机器学习 (stat.ML)
引用方式: arXiv:1803.03146 [q-bio.QM]
  (或者 arXiv:1803.03146v2 [q-bio.QM] 对于此版本)
  https://doi.org/10.48550/arXiv.1803.03146
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jade Shi [查看电子邮件]
[v1] 星期四, 2018 年 3 月 8 日 15:12:16 UTC (3,038 KB)
[v2] 星期三, 2019 年 3 月 6 日 01:01:53 UTC (3,366 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2018-03
切换浏览方式为:
cs
cs.AI
q-bio
q-bio.QM
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号