亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

CoCoNet—boosting RNA contact prediction by convolutional neural networks

Boosting(机器学习) 人工智能 卷积神经网络 核糖核酸 计算机科学 机器学习 人工神经网络 深度学习 生物 蛋白质结构预测 模式识别(心理学) 算法 蛋白质结构 基因 生物化学
作者
Mehari B Zerihun,Fabrizio Pucci,Alexander Schug
出处
期刊:Nucleic Acids Research [Oxford University Press]
卷期号:49 (22): 12661-12672 被引量:5
标识
DOI:10.1093/nar/gkab1144
摘要

Co-evolutionary models such as direct coupling analysis (DCA) in combination with machine learning (ML) techniques based on deep neural networks are able to predict accurate protein contact or distance maps. Such information can be used as constraints in structure prediction and massively increase prediction accuracy. Unfortunately, the same ML methods cannot readily be applied to RNA as they rely on large structural datasets only available for proteins. Here, we demonstrate how the available smaller data for RNA can be used to improve prediction of RNA contact maps. We introduce an algorithm called CoCoNet that is based on a combination of a Coevolutionary model and a shallow Convolutional Neural Network. Despite its simplicity and the small number of trained parameters, the method boosts the positive predictive value (PPV) of predicted contacts by about 70% with respect to DCA as tested by cross-validation of about eighty RNA structures. However, the direct inclusion of the CoCoNet contacts in 3D modeling tools does not result in a proportional increase of the 3D RNA structure prediction accuracy. Therefore, we suggest that the field develops, in addition to contact PPV, metrics which estimate the expected impact for 3D structure modeling tools better. CoCoNet is freely available and can be found at https://github.com/KIT-MBS/coconet.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
foxm完成签到,获得积分10
1秒前
6秒前
Fearless完成签到 ,获得积分10
8秒前
上官若男的应助被莫倦采纳,获得10
14秒前
铁瓜李完成签到 ,获得积分10
26秒前
简单柏柳完成签到,获得积分10
34秒前
34秒前
48秒前
48秒前
54秒前
星辰大海的应助被现实的如之采纳,获得10
1分钟前
风中的晓兰完成签到,获得积分10
1分钟前
温暖的岂愈完成签到,获得积分10
1分钟前
善良的觅荷完成签到,获得积分10
1分钟前
LL完成签到 ,获得积分10
1分钟前
1分钟前
null的应助被科研通管家采纳,获得10
1分钟前
null的应助被科研通管家采纳,获得10
1分钟前
null的应助被科研通管家采纳,获得10
1分钟前
秋风的应助被科研通管家采纳,获得10
1分钟前
1分钟前
1分钟前
jb4652完成签到,获得积分10
2分钟前
2分钟前
无限寒珊完成签到,获得积分10
2分钟前
落润晓发布了新的文献求助10
2分钟前
欣喜的凡霜完成签到,获得积分10
2分钟前
Rick完成签到,获得积分10
2分钟前
tszjw168完成签到 ,获得积分10
2分钟前
拼搏淇完成签到,获得积分10
2分钟前
Lucas的应助被taka采纳,获得10
3分钟前
执着忆寒完成签到,获得积分10
3分钟前
嘻嘻哈哈的应助被活力棉花糖采纳,获得10
3分钟前
3分钟前
taka发布了新的文献求助10
3分钟前
科研通AI6.4的应助被晚星采纳,获得10
3分钟前
3分钟前
Rick发布了新的文献求助10
3分钟前
踏实的白卉完成签到,获得积分10
3分钟前
跳跃的冰安完成签到,获得积分10
3分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1500
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Analyses de reconnaissances de dettes passées devant les échevins d'Ypres (1249-1291) 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8158751
求助须知:如何正确求助?哪些是违规求助? 9554476
关于积分的说明 21719285
捐赠科研通 7748357
什么是DOI,文献DOI怎么找? 3427080
关于科研通互助平台的介绍 2551971
邀请新用户注册赠送积分活动 2471339