Apprentissage profond géométrique de la structure de l’ARN

L’apprentissage automatique résout les énigmes de l’ARN

Les molécules d’ARN se replient dans des formes tridimensionnelles complexes qui sont difficiles à déterminer expérimentalement ou à prédire par ordinateur. La compréhension de ces structures peut aider à la découverte de médicaments pour des maladies actuellement incurables. Townshend et al. a introduit une méthode d’apprentissage automatique qui améliore considérablement la prédiction des structures d’ARN (voir Perspective par semaines). La plupart des autres avancées récentes en apprentissage en profondeur ont nécessité une énorme quantité de données pour la formation. Le fait que cette méthode réussisse avec très peu de données de formation suggère que des méthodes connexes pourraient résoudre des problèmes non résolus dans de nombreux domaines où les données sont rares.

Science, abe5650, ce numéro p. 1047 ; voir aussi abk1971, p. 964

Résumé

Les molécules d’ARN adoptent des structures tridimensionnelles essentielles à leur fonction et intéressantes pour la découverte de médicaments. Cependant, peu de structures d’ARN sont connues et leur prédiction informatique s’est avérée difficile. Nous introduisons une approche d’apprentissage automatique qui permet l’identification de modèles structuraux précis sans hypothèses sur leurs caractéristiques de définition, malgré un entraînement avec seulement 18 structures d’ARN connues. La fonction de notation qui en résulte, l’Atomic Rotationally Equivariant Scorer (ARES), surpasse considérablement les méthodes précédentes et produit systématiquement les meilleurs résultats dans les défis de prédiction de structure d’ARN aveugle à l’échelle de la communauté. En apprenant efficacement même à partir d’une petite quantité de données, notre approche surmonte une limitation majeure des réseaux de neurones profonds standard. Parce qu’elle n’utilise que des coordonnées atomiques comme entrées et n’intègre aucune information spécifique à l’ARN, cette approche est applicable à divers problèmes en biologie structurale, chimie, science des matériaux et au-delà.

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Recent News

Editor's Pick