标题： RNA二级结构：从从头预测到更好的压缩，再回到原点 显示英文标题

标题： RNA secondary structures: from ab initio prediction to better compression, and back

摘要： 在本文中，我们利用整合到随机模型中的生物学领域知识，用于从头预测RNA二级结构，以改进RNA序列和结构数据联合压缩的最新技术（Liu等，BMC生物信息学，2008年）。此外，我们表明，相反地，压缩率可以作为比较不同随机模型预测质量的廉价且稳健的代理，这可能有助于指导寻找更好的RNA结构预测模型。我们的结果建立在专家随机上下文无关语法模型的基础上，这些模型用于RNA二级结构（Dowell & Eddy，BMC生物信息学，2004年；Nebel & Scheid，生物科学理论，2011年），并结合了不同的规则概率和算术编码模型（静态和自适应）。我们提供了一个原型实现和广泛的实证评估，其中我们展示了语法特征和概率模型如何影响压缩率。 显示英文摘要

摘要： In this paper, we use the biological domain knowledge incorporated into stochastic models for ab initio RNA secondary-structure prediction to improve the state of the art in joint compression of RNA sequence and structure data (Liu et al., BMC Bioinformatics, 2008). Moreover, we show that, conversely, compression ratio can serve as a cheap and robust proxy for comparing the prediction quality of different stochastic models, which may help guide the search for better RNA structure prediction models. Our results build on expert stochastic context-free grammar models of RNA secondary structures (Dowell & Eddy, BMC Bioinformatics, 2004; Nebel & Scheid, Theory in Biosciences, 2011) combined with different (static and adaptive) models for rule probabilities and arithmetic coding. We provide a prototype implementation and an extensive empirical evaluation, where we illustrate how grammar features and probability models affect compression ratios.