新的深度学习方法大大提高了RNA结构预测

研究人员提出了 ARES(原子旋转等变计分器)——一种机器学习方法，与以前的方法相比，它显着提高了 RNA 结构的计算预测。

像蛋白质一样，RNA 分子扭曲并折叠成复杂的三维形状，这对其功能至关重要。了解这些结构有助于揭示 RNA 的生物学功能，包括非编码 RNA，并为发现治疗无法治愈疾病的新药铺平道路。然而，尽管经过数十年的努力，通过实验解决 RNA 结构仍然是一个挑战，目前已知的 RNA 结构很少。

此外，与蛋白质结构预测相比，使用机器学习来预测 RNA 结构已被证明要困难得多，而且成功率也较低。为了应对这些挑战，Raphael Townshend 及其同事开发了 ARES，这是一种深度神经网络，可以持续生成准确的 RNA 结构模型，尽管仅使用最近实验确定的 18 个 RNA 结构的数据进行训练。根据作者的说法，ARES 在社区范围的 RNA-Puzzles 结构预测挑战中明显优于其他计算方法。汤申等。

请注意，ARES 的性能特别值得注意，因为它学会了仅根据原子结构进行预测，并且不包含关于哪些 RNA 特定结构特征可能很重要的先前假设，例如碱基对、核苷酸或氢键。同样，它能够准确地预测比训练时更大、更复杂的 RNA 结构。“ARES 仍达不到与原子分辨率一致或足以指导关键功能位点识别或药物发现工作的水平，但 Townshend等人。在一个被证明对变革性进步难以抗拒的领域取得了显着进展，”凯文·威克斯在相关的观点中写道。

标签：