A coarse-grained Langevin molecular dynamics approach to de novo protein structure prediction
蛋白质结构的从头预测，即从氨基酸序列中预测与迄今已解析的结构不相似的结构，一直是分子生物物理学的主要挑战之一。本文提出了一种新的从头预测方法，它结合了片段组装方法和物理折叠过程的模拟：通过构象变化的Langevin分子动力学动态搜索具有一致组装片段的结构。基准测试表明，当候选结构通过经验得出的评分函数进行交叉检查时，预测得到改善。
2008-02-21 cond-mat.soft q-bio.BM
Prediction and statistics of pseudoknots in RNA structures using exactly clustered stochastic simulations
RNA二级结构的从头计算预测长期以来一直不考虑环内部的螺旋，即所谓的假结，尽管它们在结构上很重要。在这里，我们报告说，许多假结可以预测通过长时间尺度RNA折叠模拟，遵循随机关闭和开放的个人RNA螺旋。这些随机模拟的数值效果依赖于一个O（n^2）的聚类算法，该算法计算连续更新的n个参考结构的时间平均值。应用这种精确的随机聚类方法，我们通常可以获得高达400个碱基的RNA序列的5到100倍的模拟加速，而对于短的多稳定分子（<150个碱基），有效加速可以高达100，000倍。我们对随机和天然RNA序列进行了广泛的折叠统计，发现假结在RNA结构中不均匀分布，并且在富含G+C的RNA序列中占高达30%的碱基对（包括假结的在线RNA折叠动力学服务器：http://kinefold.u-strasbg.fr/）。
2003-09-29 cond-mat.stat-mech physics.bio-ph q-bio.BM
Shedding light on the dark matter of the biomolecular structural universe: Progress in RNA 3D structure prediction
结构化RNA在分子生命中起着许多功能相关的作用。结构信息，虽然需要了解详细的功能周期，是具有挑战性的收集。计算方法有望通过预测三维RNA模型来补充实验工作。在这里，我们提供了一个简明的观点，最先进的方法，重点是不同方法的优点和缺点。此外，我们分析了最近的发展，关于使用协同进化信息，以及它如何提高预测性能。最后，我们讨论了一些开放的前景和挑战，在不久的将来在RNA结构稳定性领域。
2019-04-13 physics.bio-ph q-bio.BM q-bio.MN
RBPBind: Quantitative prediction of Protein-RNA Interactions
摘要：我们介绍RBPBind，一个基于网络的定量预测RNA-蛋白质相互作用的工具。给定用户指定的RNA和从一组常见的RNA结合蛋白质中选择的蛋白质，RBPBind计算所讨论的反应的结合曲线和有效结合常数。服务器还计算在给定蛋白质浓度下，蛋白质分子与RNA中任何特定核苷酸结合的概率。RBPBind的软件改编自Vienna RNA包，其源代码已被修改以适应单链RNA结合蛋白的作用。因此，RBPBind完全结合了RNA二级结构对蛋白质-RNA相互作用的影响。可用性：我们的Web服务器可在http://bioserv.mps.ohio-state.edu/RBPBind上找到
2016-11-04 q-bio.BM
A nucleobase-centered coarse-grained representation for structure prediction of RNA motifs
我们介绍了SPQR模型，这是一种用于结构预测和细化的粗粒度RNA表示。在我们的方法中，核苷酸的表示由磷酸基团的点粒子和核苷的各向异性粒子组成。原则上，相互作用是由ESCORE函数（一种以基础为中心的评分函数）激发的基于知识的潜力。然而，一个特殊的治疗是给予碱基配对的相互作用和某些几何构象，这是失去了在一个原始的知识库模型。这导致能够描述平面规范和非规范碱基对和碱基-磷酸相互作用的表示，并区分糖起皱和糖苷扭转构象。该模型适用于折叠的几种结构，包括双链体与内部循环的非典型碱基对，tetraloops，路口和一个pseudokont。对于这些系统中的大多数，实验结构正确地预测在个人接触的水平。我们还提出了一种方法，有效地重新引入原子细节的粗粒度表示。
2017-12-06 physics.bio-ph physics.chem-ph q-bio.BM
3D-based RNA function prediction tools in rnaglib
Max Planck Institute of Biochemistry（马克斯·普朗克生物化学研究所）；École Polytechnique（巴黎综合理工学院）；McGill University（麦吉尔大学）
本章介绍 rnaglib 工具，用于在 RNA 3D 结构数据集上训练监督和无监督机器学习模型，以解决 RNA 结构-功能关系建模中数据构建耗时且缺乏标准化的问题。
2024-05-03 cs.LG q-bio.BM
The Role of Nucleobase Interactions in RNA Structure and Dynamics
在RNA三维结构中观察到的相互作用的复杂网络通常根据多种几何性质来描述，包括螺旋参数、碱基配对/堆叠、氢键和骨架构象。我们表明，一个简单的分子表示组成的一个定向珠每个核苷酸可以解释RNA的基本结构特性。在这个框架中，典型的沃森-克里克，非沃森-克里克碱基配对和碱基堆积相互作用可以明确地确定在一个定义良好的相互作用壳。我们通过执行两个独立的，互补的测试来验证这种表示。首先，我们用它来构建一个序列独立的，基于知识的评分功能的RNA结构预测，这是有利的完全原子，国家的最先进的技术相比。其次，我们定义了一个度量来测量RNA结构之间的偏差，该偏差直接报告碱基-碱基相互作用网络中的差异。这个度量的有效性进行测试的能力，区分结构和动力学遥远的RNA构象，执行更好的标准技术相比。总而言之，我们的结果表明，这种极简的、以核碱基为中心的表示捕捉了与描述RNA结构和动力学相关的主要相互作用。
2014-10-06 physics.bio-ph physics.chem-ph physics.comp-ph
Why Can't We Predict RNA Structure At Atomic Resolution?
现有的算法无法从任意RNA序列开始，并返回确保其生物功能的精确三维结构。本章概述了目前的自动RNA结构预测算法（包括我们自己的FARNA-FARFAR），突出了他们的成功，并剖析了他们的局限性，使用四环和sarcin/ricin基序作为例子。未来发展的障碍被认为是在光的三个特定的挑战：提高计算采样，减少依赖实验解决的结构，并避免粗粒度的原子级相互作用的表示。为了帮助应对这些挑战并更好地了解该领域的现状，我们提出了一个正在进行的社区范围内的CASP式实验，用于评估当前结构预测算法的性能。
2011-03-15 physics.bio-ph physics.chem-ph q-bio.BM
LinearCoFold and LinearCoPartition: Linear-Time Algorithms for Secondary Structure Prediction of Interacting RNA molecules
许多ncRNA通过RNA-RNA相互作用发挥作用。考虑到RNA-RNA相互作用的快速可靠的RNA结构预测是有用的。一些现有的工具由于忽略了分子间和分子内碱基对的竞争而不太准确，或者更专注于预测结合区域而不是预测两个相互作用链的完整二级结构。Vienna RNAcofold通过连接两条链将问题简化为经典的单序列折叠，以立方时间对组合序列长度进行缩放，并且对于长序列来说很慢。为了解决这些问题，我们提出了LinearCoFold（预测线性运行时两条链的完整最小自由能结构）和LinearCoPartition（计算线性运行时的共折叠配分函数和碱基配对概率）。LinearCoFold和LinearCoPartition遵循RNAcofold的级联策略，但比RNAcofold快几个数量级。例如，在组合长度为26，190 nt的序列对上，LinearCoFold比RNAcofold MFE模式快86.8倍（0.6分钟对52.1分钟），LinearCoPartition比RNAcofold分配函数模式快642.3倍（1.8分钟对1156.2分钟）。与局部算法不同，LinearCoFold和LinearCoPartition是不受碱基长度限制的全局共折叠算法。令人惊讶的是，LinearCoFold和LinearCoPartition的预测具有更高的PPV和分子间碱基对的灵敏度。此外，我们应用Line…
2022-10-26 cs.DS physics.bio-ph q-bio.BM
ThreshKnot: Thresholded ProbKnot for Improved RNA Secondary Structure Prediction
RNA结构预测是一个具有挑战性的问题，特别是在伪结的情况下。最近，已经从经典的基于最小自由能的方法（MFE）转移到基于配分函数的方法，该方法使用碱基配对概率组装结构。后一组的两个例子是流行的最大预期精度（MEA）方法和ProbKnot方法。ProbKnot是一种快速的启发式算法，它可以将最有可能配对的核苷酸配对，并且与MEA不同，它还可以预测具有假结的结构。然而，ProbKnot的全部潜力在很大程度上被忽视了。特别是，当引入时，它没有可以在阳性预测值（PPV）和灵敏度之间平衡的MEA样超参数。我们表明，一个简单的阈值版本的ProbKnot，我们称之为ThreshKnot，导致更准确的整体预测，过滤掉不太可能的对，其概率低于给定的阈值。我们还表明，在三个广泛使用的折叠引擎（RNAstructure，Vienna RNAfold和Difold）上，ThreshKnot总是优于涉及更多的MEA算法，（1）其更高的结构预测精度，（2）其预测伪结的能力，（3）其更快的运行时间和更容易的实现。这表明ThreshKnot应该取代MEA作为默认的基于配分函数的结构预测算法。ThreshKnot已经在广泛使用的RNAstructure软件包版本6.2（2019年11月27日发布）中提供：https://rna.urmc.rochester.edu/RNAstructure.html
2020-01-09 physics.bio-ph q-bio.BM q-bio.QM
Prediction of RNA pseudoknots by Monte Carlo simulations
在本文中，我们考虑的问题，RNA折叠与伪结。我们使用一个图形表示，其中的二级结构描述的平面图。伪节点被识别为非平面图。我们分析了RNA结构的非平面拓扑结构，并提出了一个分类的RNA伪结根据最小亏格的表面上的RNA结构可以嵌入。这种分类提供了一种简单而自然的方法来解决存在伪结的RNA折叠预测问题。基于这种方法，我们描述了一个Monte Carlo算法在RNA分子中的伪结的预测。
2004-05-19 cond-mat.soft q-bio.BM
Machine Learning for RNA Secondary Structure Prediction: a review of current methods and challenges
Scuola Internazionale Superiore di Studi Avanzati, SISSA（意大利高等师范学院）
本文综述了RNA二级结构预测中当前方法和挑战，重点讨论了机器学习和深度学习在该领域的应用，以及数据稀缺性带来的泛化危机，同时展望了未来需要解决的难题，如复杂结构的预测和动态结构的建模。
2026-05-18 physics.bio-ph physics.comp-ph q-bio.BM
Protein structure prediction guided by cross-linking restraints - A systematic evaluation of the impact of the cross-linking spacer length
高分辨率质谱（MS）仪器的最新发展使化学交联（XL）成为获得蛋白质结构信息的高通量方法。来自XL-MS实验的限制已成功地用于结构细化和蛋白质-蛋白质对接。然而，一个棘手的问题是，在什么情况下XL-MS数据可能足以从头确定蛋白质的三级结构？解决这个问题不仅包括了解XL-MS数据对从头蛋白质结构预测算法中的采样和评分的影响，还必须确定用于蛋白质结构测定的最佳交联剂类型和长度。虽然较长的交联剂将产生更多的约束，但由于约束与较大的构象空间一致，因此蛋白质结构预测的每个约束的值降低。在本研究中，考虑到Lys-Lys、Lys-Asp、Lys-Glu、Cys-Cys和Arg-Arg反应性交联剂在1 μ g和60 μ g之间，对一组2，055个非冗余蛋白质折叠进行了计算机模拟，系统分析了交联的数量及其鉴别力。根据蛋白质的大小，开发了一种启发式方法来确定最佳的交联剂长度。接下来，使用可变长度的模拟约束，使用BCL：：Fold算法从头预测十五种蛋白质的三级结构。结果表明，一个独特的交联剂长度存在的从头蛋白质结构预测的信息含量最大化。采样精度平均提高了1.0 μ m，在最突出的示例中提高了2.2 μ m。XL-MS限制始终能够改善对天然样模型的选择，平均富集度为2.1。
2016-03-20 physics.bio-ph physics.comp-ph q-bio.BM
Direct-Coupling Analysis of nucleotide coevolution facilitates RNA secondary and tertiary structure prediction
尽管非编码RNA具有生物学重要性，但其结构表征仍然具有挑战性。利用快速增长的序列数据库，我们分析核苷酸的同源序列之间的协同进化，通过直接耦合分析，以检测核苷酸-核苷酸接触。对于一组有代表性的核糖开关，我们表明，直接耦合分析的结果与广义Nussinov算法相结合，系统地提高了RNA二级结构预测的结果，超越了传统的协方差方法的基础上的互信息。更重要的是，我们表明，直接耦合分析的结果是丰富的三级结构接触。通过将这些预测整合到分子建模工具中，与单独使用二级结构信息相比，可以获得系统改进的三级结构预测。
2015-10-12 physics.bio-ph q-bio.BM
Direct Information Reweighted by Contact Templates: Improved RNA Contact Prediction by Combining Structural Features
众所周知，协同进化的核苷酸-核苷酸相互作用对于RNA的结构和功能至关重要。目前，直接偶联分析（DCA）从不同物种之间的同源序列比对推断序列中的核苷酸接触。DCA和单独使用序列信息的类似方法通常产生较低的准确性，特别是当可用的同源序列有限时。在这里，我们提出了一种新的方法，采用了限制玻尔兹曼机（RBM），以增加信息序列的协变与结构模式的接触推断。因此，我们将我们的方法命名为DIRECT，它代表通过联系人模板重新加权的直接信息。基准测试表明，DIRECT产生的接触预测的准确性平均13%的实质性提高相比，传统的DCA。这些结果表明，DIRECT可用于改进RNA三级结构和功能的预测。DIRECT的源代码和数据集可在http：//www.example.com上获得。http://zhao.phy.ccnu.edu.cn:8122/DIRECT/index.html
2017-11-29 physics.bio-ph q-bio.BM
Advances in RNA secondary structure prediction and RNA modifications: Methods, data, and applications
本文综述RNA二级结构计算预测与RNA修饰识别方法、数据资源及二者相互作用，分析挑战与机遇，以促进新方法开发和治疗应用。
2025-01-07 q-bio.BM
Improved RNA pseudoknots prediction and classification using a new topological invariant
基于两个拓扑不变量，提出了一种新的具有伪结的RNA二级结构的拓扑刻画。从RNA二级结构的经典弧表示出发，我们考虑了一个模型，它耦合了I）图的拓扑亏格和II）对应的本原图的交叉弧的数目。我们增加了一个长期的比例，这些拓扑不变量的RNA分子的标准自由能，从而获得一种新的自由能参数化，考虑到丰富的拓扑结构的RNA pseudoknots中观察到的RNA数据库。
2016-05-16 q-bio.BM
Ab initio Prediction of RNA Nucleotide Interactions with Backbone k-Tree Model
鉴于非编码RNA对细胞调控功能和RNA转录物快速生长的重要性，RNA三级结构的计算预测仍然是高度需求的，但具有重大挑战性。即使对于一个短的RNA序列，三级构象的空间是巨大的;现有的方法来识别天然样构象大多采取随机抽样的构象，以获得计算的可行性。然而，可能无法检查天然构象，并且由于采样，预测准确性可能会受到影响。特别地，现有技术的方法尚未提供长度超过50的RNA的期望的预测性能。本文介绍了RNA三级结构预测问题中的一个关键步骤，即预测构成所需三级结构的核苷酸相互作用。该研究是建立在一种新的图形模型，称为骨干k树，显着约束RNA三级结构中的核苷酸相互作用关系。它表明，新的模型使得有可能有效地预测从查询序列的核苷酸相互作用的最佳设置，包括在所有最近发现的家庭的相互作用。初步结果表明，该方法可以高精度地预测构成查询序列三级结构的核苷酸相互作用，从而为从头计算预测RNA三级结构提供了一种可行的解决方案。
2014-07-26 q-bio.BM
Predicting 3D structure and stability of RNA pseudoknots in monovalent and divalent ion solutions
RNA假结是一类最小的RNA三级结构模体，其三维结构和稳定性对多种生物学功能起着至关重要的作用。因此，预测RNA假结的三维结构和稳定性对于理解其功能至关重要。在这项工作中，我们采用我们以前开发的隐式盐的粗粒度模型，对一价/二价离子溶液中RNA伪结的3D结构和稳定性进行了广泛的预测和全面的分析。与现有实验数据的比较表明，我们的模型可以成功地预测的3D结构的RNA伪结从他们的序列，也可以作出可靠的预测的稳定性的RNA伪结的长度和序列在很宽的范围内的单价/二价离子浓度。此外，我们对各种RNA假结在离子溶液中的解折叠途径进行了全面的分析。我们的分析广泛的pseudokonts和广泛的一价/二价离子浓度验证了RNA pseudokonts的解折叠途径主要取决于未折叠的中间状态的相对稳定性，并表明RNA pseudokonts的解折叠途径可以显着调制其序列和溶液离子条件。
2019-05-19 cond-mat.soft physics.bio-ph physics.chem-ph
CoFold: thermodynamic RNA structure prediction with a kinetic twist
现有的采用单个RNA序列并预测相应RNA二级结构的最先进方法是热力学方法。这些预测了最稳定的RNA结构，但没有考虑结构形成的过程。然而，到目前为止，我们已经有了充足的实验和理论证据，证明序列在体内转录时会折叠，而且结构形成的过程很重要。我们在这里提出了一个概念上的新方法来预测RNA的二级结构，称为CoFold，结合热力学与动力学的考虑。我们的方法在预测准确性方面显着提高了最先进的水平，特别是对于长度超过一千个核苷酸的长序列，如核糖体RNA。
2012-07-25 q-bio.BM q-bio.QM
Prediction of RNA-RNA interaction structure by centroids in the Boltzmann ensemble
新的高通量测序技术使得全基因组转录组学的出现成为可能。这一进展与最近发现的调节性非编码RNA（ncRNA）相结合，需要快速准确的算法来预测RNA-RNA相互作用的概率和结构。虽然有算法来预测两个核酸的最小自由能相互作用二级结构，但很少有人利用碱基对概率中的信息来改进相互作用结构预测。在本文中，我们提出了一个算法来预测的汉明质心的玻尔兹曼系综的相互作用结构。我们还提出了一个有效的算法来采样的相互作用结构的合奏。我们的采样算法使用一个平衡的计划遍历索引，提高了运行时间的丁劳伦斯采样算法。Ding-Lawrence采样算法具有$O(n^2m^2)$时间复杂度，而我们的算法具有$O((n+m)^2\log(n+m))$时间复杂度，其中$n$和$m$是输入链的长度。我们在新版本的{ \tt piRNA}中实现了我们的算法，并将我们的结构预测结果与竞争对手进行了比较。我们的质心预测平均优于竞争对手的最小自由能预测算法。
2010-02-08 q-bio.BM q-bio.GN
Review of Machine-Learning Methods for RNA Secondary Structure Prediction
Northeastern University（东北大学）；Dalian Maritime University（大连海事大学）；Dalian University of Technology（大连理工大学）；China Medical University（中国医科大学）；Liaoning University（辽宁大学）；Stevens Institute of Technology（斯蒂文斯理工学院）
二级结构在决定非编码RNA的功能方面起着重要作用。因此，RNA二级结构的鉴定具有重要的研究价值。计算预测是预测RNA二级结构的主流方法。不幸的是，尽管在过去的40年中提出了新的方法，但计算预测方法的性能在过去十年中停滞不前。最近，随着RNA结构数据的可用性越来越高，基于机器学习技术的新方法，特别是深度学习，已经缓解了这个问题。本文综述了基于机器学习技术的RNA二级结构预测方法，并以表格形式总结了这一领域中最重要的方法。最后，对RNA二级结构预测领域目前存在的问题和未来的发展趋势进行了讨论。
2020-09-01 cs.LG q-bio.BM stat.ML
Ab initio RNA folding
RNA分子是必需的细胞机器，执行各种各样的功能，需要特定的三维结构。在过去的几年里，通过X射线晶体学和NMR实验确定RNA结构似乎已经达到了每年解析结构数量的平台，但随着越来越多的RNA序列被发现，需要结构预测工具来补充实验数据。RNA折叠的理论方法自上世纪90年代后期出现第一个二级结构预测算法以来就已经发展起来。在过去的10年中，已经开发了许多用于3D结构的预测方法，首先基于生物信息学和数据挖掘，最近基于系统的粗粒度物理表示。在这篇综述中，我们将介绍RNA结构预测的挑战以及生物信息学方法和基于物理学的方法背后的主要思想。我们将集中在最近的物理为基础的现象学模型的描述，以及它们是如何建立，包括RNA碱基，其作用是至关重要的折叠的相互作用的特异性。通过来自不同模型的例子，我们将指出基于物理的方法的优势，这些方法不仅能够预测平衡结构，还能够研究动力学和化学行为，以及包括更多关键相互作用的开放挑战。
2014-12-30 cond-mat.soft physics.bio-ph q-bio.BM
3D RNA and functional interactions from evolutionary couplings
非编码RNA无处不在，但新RNA基因序列的发现远远超过了对其结构和功能相互作用的研究。我们挖掘进化序列记录，以获得有关RNA和RNA-蛋白质复合物的功能和结构的精确信息。在蛋白质结构预测中，我们使用序列共变异的最大熵全局概率模型来推断RNA分子内进化约束的核苷酸-核苷酸相互作用，以及RNA-蛋白质复合物中的核苷酸-氨基酸相互作用。预测的接触允许以良好的精度对几种已知的RNA结构和RNA-蛋白质复合物进行全原子盲的3D结构预测。对于未知的结构，我们预测在160个非编码RNA家族的接触。除了3D结构预测，进化耦合有助于识别重要的功能相互作用，例如，在核糖开关的开关点和HIV的复杂成核位点。在加速序列积累的帮助下，进化偶联分析可以加速发现涉及RNA的功能相互作用和3D结构。
2016-04-21 q-bio.BM
Improving RNA secondary structure prediction via state inference with deep recurrent neural networks
本文提出基于深度双向LSTM的RNA状态推断方法，将状态预测转化为合成SHAPE数据并用于指导NNTM，在16S rRNA测试集上使二级结构预测准确率平均提升25个百分点。
2020-02-23 q-bio.BM
Comprehensive benchmarking of large language models for RNA secondary structure prediction
Research Institute for Signals, Systems and Computational Intelligence（信号、系统与计算智能研究所）
本研究在统一深度学习框架下对多种预训练RNA-LLM进行综合基准测试，发现两个模型在RNA二级结构预测任务中表现更优，并揭示了低同源场景下泛化的重大挑战。
2025-01-31 cs.AI cs.LG q-bio.BM
RNA secondary structures: from ab initio prediction to better compression, and back
在本文中，我们将生物领域知识结合到随机模型中用于从头RNA二级结构预测，以改进RNA序列和结构数据的联合压缩的现有技术（Liu等人，BMC Bioinformatics，2008）。此外，我们表明，相反，压缩比可以作为比较不同随机模型预测质量的廉价且强大的代理，这可能有助于指导寻找更好的RNA结构预测模型。我们的研究结果建立在RNA二级结构的专家随机上下文无关语法模型（Dowell & Eddy，BMC Bioinformatics，2004; Nebel & Scheid，Theory in Biosciences，2011）上，并结合了不同的（静态和自适应）规则概率和算术编码模型。我们提供了一个原型实现和广泛的实证评估，我们说明了语法功能和概率模型如何影响压缩比。
2023-02-22 cs.IT math.IT q-bio.BM
Scalable Deep Learning for RNA Secondary Structure Prediction
University of Freiburg（弗莱堡大学）
本研究提出采用轴向注意力与隐空间循环机制的轻量化深度学习模型RNAformer，通过直接在隐空间建模邻接矩阵并扩模，在TS0基准上达SOTA且优于用外部信息的方法，还能学习RNA折叠的生物物理模型。
2023-07-14 cs.LG q-bio.BM
RNA secondary structure prediction from multi-aligned sequences
大多数功能性非编码RNA（ncRNA）的二级结构与其功能密切相关，并且在进化过程中是保守的。因此，保守的二级结构预测进化相关的序列是RNA生物信息学的一个重要任务，该方法是有用的，不仅进一步的ncRNA的功能分析，但也提高了二级结构预测的准确性，并发现新的功能RNA从基因组。在这篇综述中，我专注于共同的二级结构预测从一个给定的对齐的RNA序列，其中一个二级结构的长度是等于输入的比对预测。我系统地回顾和分类现有的工具和算法的问题，利用工具中采用的信息，并通过采用统一的观点，最大预期增益（MEG）估计。我相信，这种分类将使人们更深入地了解每种工具，并为用户提供有用的信息，以选择常用的二级结构预测工具。
2013-07-08 q-bio.BM q-bio.QM
Fair splits flip the leaderboard: CHANRG reveals limited generalization in RNA secondary-structure prediction
CHANRG通过170,083个非冗余RNA结构评估，揭示了深度学习在RNA二级结构预测中的泛化能力限制，指出基础模型方法在分布外鲁棒性上存在不足。
2026-03-20 cs.LG q-bio.BM
StemP: A fast and deterministic Stem-graph approach for RNA and protein folding prediction
我们提出了一种新的确定性方法来预测RNA序列和蛋白质折叠。对结构预测来说，stem是否足够？主要思想是考虑给定序列中所有可能的茎形成。利用茎环的能量和茎的强度，我们探索了如何确定性地利用茎信息进行RNA序列和蛋白质折叠结构的预测。我们使用图形符号，其中所有可能的茎表示为顶点，共存为边。这个完整的Stem图呈现了所有可能的折叠结构，并且我们挑选子图，这些子图给出了用于折叠结构预测的最佳匹配能量。我们引入了一个Stem-Loop分数来增加结构信息并加快计算速度。所提出的方法可以处理二级结构预测以及蛋白质折叠与伪结。数值实验是用笔记本电脑完成的，结果只需要几分钟或几秒钟。这种方法的优点之一是算法的简单性和灵活性，它给出了确定性的答案。我们探索蛋白质数据库中的蛋白质序列，rRNA 5S序列和Gutell实验室的tRNA序列。各种实验和比较，包括验证所提出的方法。
2022-01-15 cs.DM physics.bio-ph q-bio.BM
Target prediction and a statistical sampling algorithm for RNA-RNA interaction
已经证明，靶位点的可及性对miRNA和siRNA具有关键影响。在本文中，我们提出了一个程序，rip2.0，不仅是能量上最有利的目标网站的基础上的混合概率，但也是一个统计抽样结构来说明的统计特征和表示的玻尔兹曼系综的RNA-RNA相互作用结构。通过基于Huang等人（生物信息学）的方法对分拆函数的改进的动态规划解进行回溯来检索输出。$O(N^6)$时间和$O(N^4)$空间算法用C实现（可从\url{http://www.combinatorics.cn/cbpc/rip2.html}获得）
2009-08-05 math.CO math.ST q-bio.BM
RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction Tasks
提出最大RNA语言模型RiNALMo，通过650M参数预训练提取序列结构与知识，在结构预测等下游任务取得最优结果，泛化能力超越现有深度学习方法。
2024-11-12 cs.LG q-bio.BM
Correcting pervasive errors in RNA crystallography through enumerative structure prediction
适合晶体学密度图的三维RNA模型表现出普遍的构象模糊性，几何误差和空间冲突。为了解决这些问题，我们提出了枚举的真实空间细化Rosetta（ERRASER）下的电子密度辅助，再加上基于Python的分层环境集成的“xtallography”（PHENIX）衍射为基础的细化。在24个数据集上，ERRASER自动纠正了大多数MolProbity评估的错误，提高了平均Rfree因子，解决了非正则结构中功能上重要的差异，并改进了低分辨率模型，以更好地匹配高分辨率模型。
2012-12-03 q-bio.BM
Accurate RNA 3D structure prediction using a language model-based deep learning approach
The Chinese University of Hong Kong（香港中文大学）；Zelixir Biotech（泽利昔生物科技公司）；Shenzhen Institute of Advanced Technology（深圳先进技术研究院）；Fudan University（复旦大学）；Shanghai AI Laboratory（上海人工智能实验室）；Wyss Institute for Biologically Inspired Engineering（威斯生物启发工程研究所）；Harvard University（哈佛大学）；Harvard Medical School（哈佛医学院）；Arizona State University（亚利桑那州立大学）；Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Synthetic Biology Center（合成生物学中心）；OneAIM Ltd.（OneAIM有限公司）
本文提出RhoFold+，一种基于RNA语言模型的深度学习方法，通过利用大规模预训练和数据稀缺应对技术，实现了从序列精确预测RNA三维结构，并在多项基准上超越现有方法。
2025-01-02 cs.LG q-bio.BM q-bio.QM
Automated RNA structure prediction uncovers a missing link in double glycine riboswitches
功能性RNA分子的三级结构仍然难以破译。新一代的自动化RNA结构预测方法可能有助于解决这些挑战，但尚未得到实验验证。在这里，我们应用四个预测工具，一个显着的一类双甘氨酸核糖开关，表现出配体结合的协同性。一种新的方法（BPPalign），RMdetect，JAR 3D和Rosetta 3D建模给出了一致的预测一个新的茎P0和扭结转基序。这些元件构成RNA的双适体之间的接头。F.具有SHAPE、DMS和CMCT探测的核质核糖开关、突变和图谱研究以及突变/拯救实验都为结构化接头提供了强有力的证据。在分离两个甘氨酸结合转变的溶液条件下，破坏这种螺旋-连接-螺旋结构会使两个转变的结合常数降低120倍和6至30倍，对应于4.3 \pm 0.5 kcal/mol的总体能量影响。由于RNA的过度截短，来自几个实验室的先前生物化学和晶体学研究不包括这个关键元素。我们认为，几个进一步未被发现的元素可能存在于这个和其他RNA开关的侧翼区域，自动预测工具现在可以在它们的检测和解剖中发挥强大的作用。
2011-10-04 q-bio.BM q-bio.QM
RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models
Johns Hopkins University（约翰霍普金斯大学）；Columbia University（哥伦比亚大学）；Northeastern University（东北大学）
该研究围绕RNA结构预测展开，介绍相关基础概念与机器学习应用，提出基于ResNet的RNA三级结构评分模型及预测算法，同时指出该领域现存的开放性挑战。
2024-04-14 cs.AI cs.LG q-bio.BM
Genus Comparisons in the Topological Analysis of RNA Structures
本文回顾了基于矩阵场论的RNA结构拓扑分类方法及软件McGenus，比较其预测与实验结构，并探讨拓扑的生物学意义，倡导跨学科研究。
2023-05-11 q-bio.BM
MultiStructRNA: a Python package for multi-algorithm RNA secondary structure prediction, ensemble analysis, and visualization
Moderna, Inc.（莫德纳公司）
MultiStructRNA是一款统一Python工具包，整合多种RNA二级结构预测算法，解决工具碎片化等问题，支持集成分析与可视化，简化RNA结构分析，助力相关工作流程应用。
2026-08-18 q-bio.BM q-bio.QM
LinearAlifold: Linear-Time Consensus Structure Prediction for RNA Alignments
本文提出LinearAlifold，将RNA比对共识结构预测降至随序列长度与数量线性扩展，支持多种能量模型和预测模式，并在SARS-CoV-2数据上实现约36倍加速与更高准确率。
2024-07-05 cs.DS physics.bio-ph q-bio.BM
Cotranscriptional kinetic folding of RNA secondary structures including pseudoknots
RNA结构的计算预测是计算结构生物学中的一个重要问题。RNA结构形成的研究通常假设该过程从完全合成的序列开始。然而，实验证据表明，RNA折叠与其延伸同时进行。我们研究RNA二级结构的形成，包括假结，考虑到共转录的影响。我们提出了一个单核苷酸分辨率的RNA分子的折叠过程的动力学模型，其中聚合酶驱动的延伸的RNA链的一个新的核苷酸被包括作为一个原始的操作，连同随机模拟方法，实现这种折叠同时与转录合成。数值案例研究表明，我们的共转录RNA折叠模型可以预测的构象，有利于在实际的生物系统的形成。因此，我们的新计算工具可以提供定量预测，并提供有用的见解RNA折叠的动力学。
2021-03-17 q-bio.BM
Beyond Sequence: Impact of Geometric Context for RNA Property Prediction
Johnson & Johnson Innovative Medicine（强生创新医学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本研究系统评估了在RNA性质预测中引入2D和3D几何信息的效果，发现几何感知模型平均RMSE降低约12%，在低数据和部分标注下更优，但序列模型对噪声更稳健，需2-5倍数据才能匹敌。
2025-04-21 cs.AI cs.LG q-bio.BM
ProtScan: Modeling and Prediction of RNA-Protein Interactions
本文提出基于共识核化 SGD 回归的预测工具 ProtScan，用于对 CLIP-seq 数据进行去噪和泛化，在全转录组尺度上建模 RNA-蛋白质相互作用，并优于现有最先进方法。
2024-12-30 q-bio.BM
RNAFlow: RNA Structure & Sequence Design via Inverse Folding-Based Flow Matching
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
RNAFlow提出一种结合逆向折叠与预训练RosettaFold2NA的流匹配模型，用于蛋白质条件RNA序列与结构设计，并通过构象系综建模动态RNA，在生成任务上优于现有方法。
2024-06-09 cs.LG q-bio.BM
Kirigami: large convolutional kernels improve deep learning-based RNA secondary structure prediction
Dana-Farber Cancer Institute（达纳-法伯癌症研究所）；University of Michigan（密歇根大学）
本文提出名为Kirigami的全卷积神经网络，利用11像素大卷积核提升RNA二级结构预测性能，在标准测试集上MCC显著超越现有方法，尤其在假结预测上提升58-400%。
2024-06-06 cs.AI q-bio.BM
CoPRA: Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Binding Affinity Prediction
Tsinghua University（清华大学）；University College London（伦敦大学学院）；Monash University（莫纳什大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出CoPRA框架，通过复杂结构桥接跨域预训练序列模型，并构建PRA310数据集，在蛋白质-RNA结合亲和力预测及突变效应预测上达到最先进性能。
2025-01-03 cs.LG q-bio.BM
Prediction of potential inhibitors for RNA-dependent RNA polymerase of SARS-CoV-2 using comprehensive drug repurposing and molecular docking approach
COVID-19的大流行已成为非常严重的全球健康问题。全世界的科学家都投入了大量资金来发现一种对抗SARS-CoV-2的药物。研究发现，RNA依赖的RNA聚合酶（RdRp）在SARS冠状病毒的复制过程中起着重要作用，可能成为潜在的药物靶点。在这里，综合计算方法，包括药物再利用和分子对接，预测一个有效的候选药物靶向SARS冠状病毒-2的RdRp。本研究表明，利福喷丁、利福喷丁、非达霉素、7-甲基-鸟苷-5 '-三磷酸-5'-鸟苷和伊维菌素与SARS-CoV-2的RdRp具有潜在的抑制相互作用，可能是治疗COVID-19的有效药物。此外，从ZINC数据库的化合物的虚拟筛选也允许预测两个化合物（ZINC 09128258和ZINC 09883305）具有与SARS-CoV-2的RdRp有效相互作用的药效团特征，表明它们作为酶的有效抑制剂的潜力。此外，还研究了ADME分析以及毒性分析，以检查两种化合物的药代动力学和药物相似性。蛋白质-抑制剂复合物的比较结构分析显示，氨基酸Y32、K47、Y122、Y129、H133、N138、D140、T141、S709和N781的位置对于SARS-CoV-2的RdRp中的药物表面热点至关重要。
2020-04-15 q-bio.BM
Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction
City University of New York（纽约城市大学）；Hunter College（亨特学院）；Cornell University（康奈尔大学）；Weill Cornell Medicine（威尔康奈尔医学院）；Helen & Robert Appel Alzheimer’s Disease Research Institute（海伦与罗伯特·阿佩尔阿尔茨海默病研究所）；Feil Family Brain & Mind Research Institute（费尔家族脑与心智研究所）
本文提出物理感知多重图神经网络PaxNet，通过分别建模局部与非局部相互作用并以注意力融合，实现准确的RNA三维结构模型评分。
2023-07-24 cs.LG q-bio.BM q-bio.QM
Protein-RNA interaction prediction with deep learning: Structure matters
The Chinese University of Hong Kong (CUHK)（香港中文大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；The CUHK Shenzhen Research Institute（香港中文大学深圳研究院）
蛋白质-RNA相互作用对多种细胞活动至关重要。实验和计算技术已经被开发来研究相互作用。由于以往数据库的局限性，特别是缺乏蛋白质结构数据，现有的计算方法大多严重依赖于序列数据，只有一小部分方法利用了结构信息。最近，AlphaFold彻底改变了整个蛋白质和生物学领域。可以预见，蛋白质-RNA相互作用的预测也将在未来几年内得到显着提升。在这项工作中，我们给出了一个彻底的审查这一领域，调查的结合位点和结合偏好预测问题，并涵盖了常用的数据集，功能和模型。我们还指出了这一领域的潜在挑战和机遇。本综述总结了RBP-RNA相互作用领域过去的发展，并展望了其在后AlphaFold时代的未来发展。
2021-11-23 cs.LG cs.NE q-bio.BM
A Comparative Review of RNA Language Models
Institute of Systems and Physical Biology, Shenzhen Bay Laboratory（深圳湾实验室系统与物理生物学研究所）；School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院）；Ribopeutic Inc（Ribopeutic公司）
本文将13个RNA语言模型分为三类，并在RNA二级结构与功能分类零样本任务中同DNA和蛋白质模型对照比较，揭示两类任务性能失衡，呼吁更均衡的无监督训练。
2025-05-14 cs.LG q-bio.BM
Parametrized Stochastic Grammars for RNA Secondary Structure Prediction
我们提出了一个两级随机上下文无关文法（SCFG）的结构参数化随机建模的一个家庭的RNA序列，包括其二级结构。这种类型的随机模型可用于最大后验估计的二级结构的任何新的序列在家庭中。所提出的SCFG架构将包括成对碱基的RNA序列建模为随机加权的Dyck语言单词，即，作为加权的平衡括号表达式。不成对碱基的每一次运行的长度，形成一个环或一个凸起，被认为具有相型分布：在有限状态马尔可夫链中的命中时间。在不失一般性的情况下，每个这样的马尔可夫链可以被认为具有有限的复杂性。该计划产生一个整体的家庭SCFG与可管理的参数数量。
2007-01-24 math.PR q-bio.BM
BPPart and BPMax: RNA-RNA Interaction Partition Function and Structure Prediction for the Base Pair Counting Model
RNA-RNA相互作用（RNA-RNA interaction，RRI）是一种普遍存在的生物学现象，在细胞功能中起着复杂的作用。在人类健康研究中，miRNA-靶标和lncRNA是已被广泛研究的RRI的精英类别之一。细菌ncRNA靶和RNA干扰是其他类型的RRI，已受到显着关注。在最近的研究中，已经观察到mRNA-mRNA相互作用的实例，其中两个伙伴出现在相同的途径中，它们之间没有任何直接联系，也没有任何关于它们之间关系的先验知识。这些最近发现的案例表明，RRI的范围比上述精英阶层要广泛得多。我们重新审视了我们的RNA-RNA相互作用配分函数算法piRNA，该算法使用96个不同的动态规划表来计算综合特纳能量模型的配分函数、碱基配对概率和结构。在这项研究中，我们战略性地从复杂的热力学模型撤退到更简单的碱基对计数模型。乍一看，这似乎是违反直觉的;我们的想法是从这些简单模型在运行时间和内存占用方面的优势中受益，并通过在未来添加机器学习组件来补偿相关的信息丢失。这里，考虑简单的加权碱基对计数以获得用于碱基对分区函数的BPPart和用于碱基对最大化的BPMax，其分别使用9个和2个表。根据经验，它们比piRNA快225和1350倍。在37度下，piRNA与BPPart之间以及piRNA与BPMax之间分别实现了0.855和0.836的相关性，并且在-180度下分别实现了0.920和0.904的…
2020-08-07 q-bio.BM q-bio.GN
CHSalign: A Web Server That Builds upon Junction-Explorer and RNAJAG for Pairwise Alignment of RNA Secondary Structures with Coaxial Helical Stacking
RNA连接是RNA分子的重要结构元件。当三个或更多的螺旋在三维空间中聚集在一起时，它们就形成了。最近的研究集中在注释和预测的同轴螺旋堆积（CHS）图案内的连接。在这里，我们利用这样的预测，开发一个有效的比对工具来处理RNA二级结构与CHS基序。具体来说，我们建立在我们的连接，资源管理器软件预测同轴堆叠和RNAJAG建模连接拓扑结构的树形图，将约束树匹配和动态规划算法到一个新的方法，称为CHSalign，对齐的二级结构的RNA分子含有CHS基序。因此，CHSalign旨在成为包含相似连接的RNA的有效比对工具。基于数千次比对的实验结果表明，CHSalign可以比其他RNA二级结构比对工具更准确地比对含有CHS基序的两个RNA二级结构。当比对具有相似CHS基序或螺旋排列模式的两个RNA二级结构时，CHSalign产生高分，否则产生低分。这种新方法已经在Web服务器中实现，该程序也可以在http://bioinformatics.njit.edu/CHSalign/上免费获得。
2016-09-05 cs.CE q-bio.BM
Accurate De Novo Prediction of Protein Contact Map by Ultra-Deep Learning Model
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
近年来，蛋白质接触预测取得了令人振奋的进展，但对于没有大量同源序列的蛋白质，预测的接触仍然是低质量的，对从头结构预测不是很有用。本文提出了一种新的深度学习方法，该方法通过由两个深度残差网络形成的超深度神经网络整合进化耦合（EC）和序列保守信息来预测接触。这种深度神经网络使我们能够模拟非常复杂的序列接触关系以及长距离的相互接触相关性。我们的方法大大优于现有的接触预测方法，并导致更准确的接触辅助蛋白质折叠。在579个蛋白质的三个数据集上进行测试，我们的方法，代表性EC方法CCMpred和CASP 11获奖者MetaPSICOV的平均top L远程预测准确率分别为0.47，0.21和0.30;我们的方法，CCMpred和MetaPSICOV的平均top L/10远程准确率分别为0.77，0.47和0.59。使用我们预测的接触作为约束的从头折叠可以产生正确的折叠（即，TMscore>0.6），而使用MetaPSICOV-和CCMpred-预测的接触可以分别仅对79和62种蛋白质这样做。此外，我们的接触辅助模型比基于模板的模型具有更好的质量。使用我们预测的接触作为限制，我们可以（从头开始）折叠398个膜蛋白中的208个，TM评分>0.5。相比之下，当我们的方法的训练蛋白质被用作模板时，同源建模只能对其中的10个进行。一个有趣的发现是，即使我们没有用任何膜蛋白训练我们的预测模型，我们的方法在膜…
2016-11-27 cs.LG q-bio.BM q-bio.QM
