RNA secondary structure prediction using deep learning with thermodynamic integration.
RNA secondary structure prediction using deep learning with thermodynamic integration.
复制标题
DOI：
10.1038/s41467-021-21194-4
复制
发表时间：
2021-02-11
影响因子：
16.6
通讯作者：
Sakakibara Y
中科院分区：
文献类型：
--
作者：
Sato K;Akiyama M;Sakakibara Y
RNA二级结构的准确预测有助于揭示功能性非编码RNA的作用。虽然基于机器学习的模型在预测准确性方面取得了很高的性能，但过度拟合是这种高度参数化模型的常见风险。在这里，我们表明，当使用深度神经网络学习的RNA折叠分数与Turner的最近邻自由能参数集成在一起时，可以最大限度地减少过拟合。用热力学正则化训练模型，确保折叠分数和计算的自由能尽可能接近。在为新发现的非编码RNA设计的计算实验中，与其他几种算法相比，我们的算法（MXfold2）在不牺牲计算效率的情况下实现了对RNA二级结构的最鲁棒和准确的预测。结果表明，整合热力学信息可以帮助提高基于深度学习的RNA二级结构预测的鲁棒性。准确预测非编码RNA的二级结构有助于揭示它们的功能。在这里，作者提出了一种结合热力学信息和深度学习的方法，与现有的几种算法相比，提高了RNA二级结构预测的鲁棒性。
Accurate predictions of RNA secondary structures can help uncover the roles of functional non-coding RNAs. Although machine learning-based models have achieved high performance in terms of prediction accuracy, overfitting is a common risk for such highly parameterized models. Here we show that overfitting can be minimized when RNA folding scores learnt using a deep neural network are integrated together with Turner’s nearest-neighbor free energy parameters. Training the model with thermodynamic regularization ensures that folding scores and the calculated free energy are as close as possible. In computational experiments designed for newly discovered non-coding RNAs, our algorithm (MXfold2) achieves the most robust and accurate predictions of RNA secondary structures without sacrificing computational efficiency compared to several other algorithms. The results suggest that integrating thermodynamic information could help improve the robustness of deep learning-based predictions of RNA secondary structure. Accurately predicting the secondary structure of non-coding RNAs can help unravel their function. Here the authors propose a method integrating thermodynamic information and deep learning to improve the robustness of RNA secondary structure prediction compared to several existing algorithms.
登录
查看更多内容
地狱1.1：RNA同源性搜索速度更快100倍。
DOI：
10.1093/bioinformatics/btt509
发表时间：
2013-11-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Nawrocki EP;Eddy SR
通讯作者：
Eddy SR
DOI：
10.1093/bioinformatics/btp250
发表时间：
2009-08-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Darty K;Denise A;Ponty Y
通讯作者：
Ponty Y
DOI：
10.1093/bioinformatics/bts565
发表时间：
2012-12-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Fu L;Niu B;Zhu Z;Wu S;Li W
通讯作者：
Li W
影响因子：
14.9
作者：
Kalvari I;Argasinska J;Quinones-Olvera N;Nawrocki EP;Rivas E;Eddy SR;Bateman A;Finn RD;Petrov AI
通讯作者：
Petrov AI
影响因子：
5.8
作者：
Andronescu, Mirela;Condon, Anne;Murphy, Kevin P.
通讯作者：
Murphy, Kevin P.