Modeling RNA duplex dynamics with Gibbs sampling enhances base-pair prediction accuracy and reveals structural activity profiles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The RNA secondary (2D) structure prediction problem consists in determining the set of base pairs that form within an RNA molecule from its sequence. A related task is the RNA hybridization problem, where two RNA strands interact to form a duplex. Thermodynamics-based methods typically rely on experimentally determined energy parameters to compute minimum free energy structures for both single-stranded RNAs and duplexes. Through the Boltzmann distribution, these parameters can be used to estimate base-pairing probabilities. Here, we leverage these probabilities to simulate RNA:RNA interaction dynamics. Inspired by the Ising model, we apply Gibbs sampling to model the stochastic formation and disruption of base pairs over time in RNA duplexes, ultimately deriving a consensus structure. The resulting method, MC-DuplexFold (mcdf), enhances base-pair prediction accuracy when integrated with other RNA 2D structure prediction algorithms. Through benchmarking, we reaffirm the previously observed trend that approximate or heuristic methods, such as RIsearch and Sfold, outperform exact methods like RNAcofold and DuplexFold in structural prediction accuracy. Additionally, mcdf provides structural activity statistics that can be incorporated into the modeling of miRNA primary transcripts, precursors, and target interactions, thereby refining predictions of miRNA:mRNA duplex dynamics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle