研究人員提出了 ARES(原子旋轉(zhuǎn)等變計分器)——一種機器學習方法，與以前的方法相比，它顯著提高了 RNA 結(jié)構(gòu)的計算預測。
像蛋白質(zhì)一樣，RNA 分子扭曲并折疊成復雜的三維形狀，這對其功能至關(guān)重要。了解這些結(jié)構(gòu)有助于揭示 RNA 的生物學功能，包括非編碼 RNA，并為發(fā)現(xiàn)治療無法治愈疾病的新藥鋪平道路。然而，盡管經(jīng)過數(shù)十年的努力，通過實驗解決 RNA 結(jié)構(gòu)仍然是一個挑戰(zhàn)，目前已知的 RNA 結(jié)構(gòu)很少。
此外，與蛋白質(zhì)結(jié)構(gòu)預測相比，使用機器學習來預測 RNA 結(jié)構(gòu)已被證明要困難得多，而且成功率也較低。為了應對這些挑戰(zhàn)，Raphael Townshend 及其同事開發(fā)了 ARES，這是一種深度神經(jīng)網(wǎng)絡，可以持續(xù)生成準確的 RNA 結(jié)構(gòu)模型，盡管僅使用最近實驗確定的 18 個 RNA 結(jié)構(gòu)的數(shù)據(jù)進行訓練。根據(jù)作者的說法，ARES 在社區(qū)范圍的 RNA-Puzzles 結(jié)構(gòu)預測挑戰(zhàn)中明顯優(yōu)于其他計算方法。湯申等。
請注意，ARES 的性能特別值得注意，因為它學會了僅根據(jù)原子結(jié)構(gòu)進行預測，并且不包含關(guān)于哪些 RNA 特定結(jié)構(gòu)特征可能很重要的先前假設，例如堿基對、核苷酸或氫鍵。同樣，它能夠準確地預測比訓練時更大、更復雜的 RNA 結(jié)構(gòu)。“ARES 仍達不到與原子分辨率一致或足以指導關(guān)鍵功能位點識別或藥物發(fā)現(xiàn)工作的水平，但 Townshend等人。在一個被證明對變革性進步難以抗拒的領(lǐng)域取得了顯著進展，”凱文·威克斯在相關(guān)的觀點中寫道。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！