- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugAI
Methods | RNA结构预测
这一高度精准的蛋白结构预测工具几乎在发布的第一时间，就对整个生命科学研究领域产生了深远影响。正因如此，蛋白结构预测也被评选为 2021 年的 Method of the Year。 在此之后，结构预测从“计算辅助”跃升为“研究核心工具”。 这种高度的构象可塑性，使 RNA 的结构预测和实验解析都变得异常困难。 受 AlphaFold 启发，RNA 结构预测迎来深度学习浪潮 AlphaFold 的成功，也极大激发了研究人员将机器学习和深度学习方法引入 RNA 结构预测。 ，使 RNA 结构预测逐步从“规则驱动”迈向“数据驱动”。
49920编辑于 2026-01-06 - 来自专栏HUBU生信
RNA二级结构预测
trna二级结构的预测可使用RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html。 例：预测爬行动物北美绿色安乐蜥的tRNA trna166-ArgTCG 的序列的二级结构 进入gtrnadb数据库查找trna166-ArgTCG 的序列 1.gtrnadb下载脊椎动物序列集，进入[Download 3.将序列文件导入到RNA Structure的预测服务器 http://rna.urmc.rochester.edu/RNAstructureWeb/index.html 进行结构预测。 等待得到预测的结果 ? 全文结束,欢迎在评论区讨论~
2.2K10发布于 2018-12-27 - 来自专栏生信小驿站
预测RNA三级结构
RNAComposer http://rnacomposer.cs.put.poznan.pl/ 输入RNA序列和二级结构，邮箱地址，点击compose即可。 ? 这四个rna三级结构预测的服务器网站都是需要序列和二级结构。 研究人员提出了一种快速的，基于RNA二级结构，构建RNA三级结构的自动化新方法——3dRNA。 由于RNA结构组织主要是由二级结构水平和三级作用上的拓扑约束编码决定，因此研究人员采用了一个两步法步骤，从最小的二级元件SSEs开始构建整个RNA三级结构。 具。
5.4K20发布于 2021-03-03 - 来自专栏R语言交流中心
R语言实现DNA结构预测
今天给大家介绍一个来预测DNA结构的R包DNAshapeR，其从基因组测序数据中以超高速、高通量的方式预测DNA形状特征。该软件包以核苷酸序列或基因组间隔作为输入，并生成各种图形表示，以供进一步分析。 DNA预测使用滑动五聚体窗口，其中512个不同五聚体中的每一个都有独特的结构特征，从而在每个核苷酸位置（周向）定义了小沟宽（MGW），滚动，螺旋桨扭曲（ProT）和螺旋扭曲（HelT）的向量（周 等人， 序列的结构预测 library(DNAshapeR) fn <- system.file("extdata","CGRsample.fa", package = "DNAshapeR") pred <- 利用公共的平台去检索对应的基因序列做结构预测,当然，我们参考的这个平台的包需要连接外网。 基因组浏览器的类似功能，展示DNA形状的预测结构 fn2 <- system.file("extdata","SingleSeqsample.fa", package = "DNAshapeR") pred2
2K41发布于 2020-09-29 - 来自专栏医学数据库百科
UFold | RNA二级结构预测
但是细胞内的 RNA 可以通过折叠形成 RNA 的二级结构。 RNA 的二级结构除了维持 RNA 本身的稳定性之外，其也可以参与一些基因的调控作用。 因此了解一个 RNA 的二级结构还是十分重要的。 所以今天就介绍一个最近发表的基于深度学习的 RNA 二级结构预测工具。 输入完成之后，点击Submit 即可得到预测的预测的 RNA 的二级结构。 关于 RNA 二级结构的预测工具目前已经有很多了。基于 Ufold 的原始文献，作者比较了多个 RNA 二级结构预测工具。 所有有需要预测二级结构的情况，可以尝试使用 UFold 工具。
4.3K30编辑于 2021-12-10 - 来自专栏大数据文摘
实时股票预测的开源参考结构
在股票市场中，查看历史股票价格并尝试用不同的模型来预测未来是一种常见的做法。 架构：股票预测与机器学习 概括而言，股票预测和机器学习的架构(如下图所示)支持一个由预测模型推动的优化过程，并有三个基本组成部分。首先是输入，实时交易数据必须被捕获和存储，变为历史数据。 然后预测出结果并决定采取何种行动。 ? 上图是简化版，该类型的结构在系统范围增加的情况下还有几个基本因素要考虑。其中重要的是，数据量和系统集成。 许多不同来源和类型的数据被用来预测结果，以及各种各样的汇数据处理。在一个20个数据源和20个处理汇的环境里，实时功能仍需要非常低延迟的操作。这体现了扩展问题的两个面。 机器学习模型得到的结果会被推送到其它应用进行处理，同时结果会在Apache Geode上更新，并进行实时预测和决策。
1.4K80发布于 2018-05-22 使用Boltz-1进行RNA结构预测
从图中可以看出Boltz-1在预测蛋白质结构方面可以达到很高的精度。 下图是boltz-1在casp15大赛中的表现： 所以我们本章要分享的内容就是使用Boltz-1模型的权重对RNA的结构进行预测。 MSA序列： paired用于结构预测，能提供更可靠的比对信息。 unpaired则为补充信息。 # 数据处理记录 └── predictions # 最终预测结构（PDB或mmCIF） 三.准备预测数据 sub_file = pd.read_csv('/kaggle 那么今天的分享就到这里咯，下一篇文章我们会来看看如何计算rna预测结构和真实结构之间的loss，以及如何使用tm-score来打分。 回见咯。
31510编辑于 2026-04-17- 来自专栏Android相关
处理器结构--分支预测(Branch Prediction)
最初的RISC体系结构处理器采用的应对分支指令的流水线执行的办法。 原因 分支预测器猜测条件表达式的两路分支中哪一路最可能发生，然后推测执行这一路的指令，来避免流水线停顿造成的时间浪费。 实现 主要包括两类预测器： 静态预测器（Static Predictor）以及动态预测器(Dynamic Predictor) 静态预测器 预测条件跳转不发生，因此总是顺序取下一条指令推测执行。 而更好的一种方案是n-bit动态预测。 例如2bit动态预测器。 以下为2bit动态预测器工作原理： 当处于处于00状态时候，预测顺序分支 预测成功，仍处于00状态 预测失败，则调整为01状态 当处于01状态时，继续预测顺序分支 预测成功，则调整为00状态 预测失败 ，则调整为10状态 当处于10状态时，预测其他分支 预测成功，则调整为11状态 预测失败，则调整为01状态 当处于11状态时，预测其他分支 预测成功，仍处于11状态 预测失败，则回退到10状态
4K41发布于 2018-10-24 - 来自专栏大大的小数据
EasyDL结构化数据预测2021.11.15
pd.read_excel(catering_sale) #print(data) print(data.corr()) #相关系数矩阵,即给出任意两款菜之间的相关系数 测试了一下单时间变量的时间序列预测 有再测试一下多因素的表格数据预测。 先跑一个SPSS相关性 最高的r0.6，一般。 预测正确率在80%范围内,不是很理想。 重新调整输入数据的现实时间关系，再跑一下模型。
56520编辑于 2022-09-22 - 来自专栏生信小驿站
蛋白质二级结构预测
蛋白质二级结构 ? 常位于蛋白结构表面，多为带点和极性氨基酸 常为活性位点组成部分 无规则卷曲（Disordered regions） Jpred Jpred 是一种蛋白质二级结构预测网络服务器,由Barton Group 通过提交单一蛋白质序列或多重蛋白质序列并运行,Jpred就可以预测出蛋白质序列的二级结构：α-螺旋、β-折叠或无规则卷曲。Jpred应用了Jnet神经网络算法，准确率达到了76.4%。 迭代搜索序列数据库，并根据搜索出来的蛋白质建立目标蛋白质的profile （序列谱），从而将蛋白质氨基酸序列用profile来表示，对每个位点最终选择前后共15个位点组成一个窗口（windows）输入神经网络进行二级结构预测 PSI-PRED的预测准确率可达75％。
1.7K01发布于 2020-07-14 - 来自专栏生信修炼手册
RNAfold预测RNA的二级结构
在mirdeep软件的分析结果中，会提供miRNA前体的二级结构，这个结果实际上是通过调用RNAfold来实现的，该软件是一个经典的预测RNA二级结构的软件，网址如下 http://rna.tbi.univie.ac.at 默认参数会输出以下两种二级结构 1. optimal secondary structure 最佳二级结构，保证对应的自由能最小，最小自由能简称MFE, 结果示意如下 ? 自由能表征改变这个结构需要注入的能量大小，对应的数值越小，该结构越稳定。 同时给出了可视化结果，示意如下 ? 这个程序也是可以下载到本地运行的，基本用法如下 RNAfold < hsa.hairpin.fa -noPS > precursors.str -noPS参数代表不产生二级结构对应的postscript ，上述用法只给出了最佳的二级结构预测结果和对应的自由能。
4.7K30发布于 2020-05-08 - 来自专栏CreateAMind
动态网络贝叶斯预测融合：趋势预测与结构机制解析
：趋势预测与结构机制解析 https://arxiv.org/pdf/2606.26136 摘要 网络由相互竞争的结构机制塑造，例如社区、几何或枢纽。 在动态网络中，最具预测力的机制可能会发生变化，而绑定于单一机制或固定权重的模型，无法随着主导结构的转变而进行自适应调整。 接触网络在一天之内，会在上课期间的社区结构与休息期间的枢纽结构之间交替变化；而合作作者网络和在线社交网络也会随着社区的形成与解散而重新组织。绑定于单一机制的模型无法跟随这种变化。 一旦最具预测力的机制发生改变，那些权重依然会偏向之前占主导地位的机制，从而导致组合结果无法真实反映当前的结构。相反，我们让权重随网络一起变化，并从数据中对其进行估计。 在十一个预测中，针对活跃体制对过滤结构权重的 argmax 进行评分，融合方法在 11 个快照中的 6 个正确进行了定位，且该模式完全符合边界条件所预测的结果。
18010编辑于 2026-06-29 - 来自专栏DrugOne
Science | 蛋白质结构预测: now easier, faster
现在，西雅图华盛顿大学的 David Baker 和 Minkyung Baek 以及他们的同事使基于 AI 的结构预测变得更加强大和易于使用。 2020 年秋季，谷歌旗下的英国人工智能公司 DeepMind 在两年一度的竞赛中以其结构预测赢得了该领域的盛赞(Science，2020 年 12 月 4 日，第1144页),该竞赛称为蛋白质结构预测的关键评估 Moult说，DeepMind 的AlphaFold2系统做了非常了不起的事情 ，预测具有原子精度的蛋白质结构。 ? 纽约大学医学院的细胞和结构生物学家 Gira Bhabha说，这两种方法都很有效。“DeepMind 和 Baker 实验室的进步都是惊人的，将改变我们如何使用蛋白质结构预测来推进生物学。 但是 AlphaFold2 只解决了单个蛋白质的结构，而 RoseTTAFold 也预测了复合物，例如锁定在其受体上的免疫分子白细胞介素 12 的结构。
65770发布于 2021-07-28 - 来自专栏生信小驿站
RNA结构分析（2）通过核苷酸序列预测二级结构
www.unafold.org http://www.unafold.org/ 1.设置任务名 2.输入核苷酸序列 3.点击运行fold 4.点击输出页面的vienna，得到‘点括号’形式的二级结构 Vfold2D服务器 Vfold2D http://rna.physics.missouri.edu/vfold2D/ 1.设置任务名 2.输入核苷酸序列，输入邮箱 3.点击运行 4.点击模型，生成二级结构 服务器 CentroidFold http://rtools.cbrc.jp/centroidfold/ 1.输入核苷酸序列 2.点击运行 3.计算结束后点击txt，即可得到‘点括号’形式的二级结构
8.7K22发布于 2021-01-26 - 来自专栏生信修炼手册
Augustus:真核生物基因结构预测软件-安装篇
欢迎关注"生信修炼手册" 组装得到基因组序列之后，进一步的工作就是探究基因结构。 Augusust是一款预测真核生物基因结构的软件,官网如下： http://bioinf.uni-greifswald.de/augustus/ 本篇主要介绍该软件的安装过程，这个软件依赖很多其他软件， 安装augustus 首先设置htslib, samtools, bcftools, tabix 的安装目录，要求这些软件安装在同一个目录下，结构如下 tools/ ├── bcftools ├── htslib
2.4K20发布于 2020-05-08 - 来自专栏CreateAMind
预测编码和主动推理的大脑结构的演变
我们的提议将关于预测处理的神经科学理论与不同动物物种大脑结构的进化和比较数据结合起来。 本文是“进化论视角下的系统神经科学”主题的一部分。 然而，我们的高级预测能力在进化过程中是如何产生的仍不清楚。本文的目的是概述用于预测处理的大脑结构的进化历史。 在此示意图中，有两组平行的分层电路，即背外侧控制分层结构和腹内侧激励分层结构。 讨论 在本文中，我们建议大脑结构或设计可以形式化为生成模型；我们进化祖先的大脑生成模型包括简单的“预测主题”；进化是通过对这些预测主题的连续阐述而进行的，形成我们在高级动物中观察到的更复杂的结构。 然而，随着利基变得更加复杂——由于越来越复杂的细节及其利基结构的填充——适合准确预测这些利基的生成模型的复杂性必然增加。
98320编辑于 2023-09-26 - 来自专栏DrugOne
structRFM：结构引导的RNA基础模型，全开源，刷新结构与功能预测纪录
structRFM有效利用结构先验，同时保持任务无关的预训练方式，实现对包括零样本预测、二级、三级结构预测及多项功能推断在内的广泛下游任务的强泛化能力 （图 1a）。 ，挖掘多样的核苷酸间关系，促进序列和结构知识向下游结构及功能预测任务的迁移。 结构预测 图 3 structRFM 用于结构预测 a, b 二级和三级结构预测的神经网络架构。 j, k CASP15 和RNA Puzzles 上预测三级结构示例，原生结构以粉色展示。 图 4结构预测可视化 structRFM预测结构与 CASP15 数据集原生结构的可视化。 功能预测 图 5 structRFM 用于功能预测 a, b 用于剪接位点预测、IRES 识别和 RNA序列分类的神经网络结构示意图。
54610编辑于 2025-08-15 - 来自专栏Chris生命科学小站五年归档
安装AlphaFold2，预测Omicron棘突蛋白结构
正好赶上这个超级病毒出现，于是想小试一下看看在晶体结构被解出来之前，预测是什么样子。 根据南非官方（上图）给出的突变信息获得突变以后的蛋白序列，使用Alphafold2 预测得到蛋白三维结构。 就是下面这个图片，Alphafold给出的预测精准度是：76.91%。图中所示结构蓝色是准确度较高的区域，红色是较低的区域。 上面只是单体的结构，目前还在跑复合物结构，会在后续更新。 以上非引用的图片及文字是原创内容， 遵循CC-BY-NC Attribution-Noncommercial原则。 Science, 369 (6510) Nature,596(7873) ---- 最近对结构生物学非常感兴趣，这个方向生来就是交叉学科，学科开创者是薛定谔，就是那个研究喵星人生死的量子力学专家。 开始是物理跨界生物，后来计算机加入了，生命体内微观世界的样子展现出来，从结构到功能，才是真正的机制研究。 Alphafold 是世界上最准确预测结构的软件，没有之一。
45820编辑于 2023-02-28 - 来自专栏社区的朋友们
使用结构化分解的线性模型预测 dau
因此，如果能对未来的dau进行预测，了解未来的发展趋势，根据预测结果，寻找增长规律，发现增长瓶颈。 另外，对业务来讲，单纯地知道dau的一个预测结果价值也有限，最好是能在预测过程中揭示一些规律，指导产品的规模发展。 对类似于dau的这种数值预测问题，最常见的是采用时间序列分析的预测方法。 因此，我尝试了最简单的线性模型，通过对PCQB浏览器的dau的用户进行结构化的分解，分别建立线性预测模型，发现最终的结果也达到了可解析性与预测精度的一个平衡。 4.dau预测计算 选定了预测起点后，就可以对后续天的dau进行迭代预测。 当然，模型的缺点也非常明显：预测精度一般；预测过程比较复杂，需要迭代预测，造成误差累积；对特殊日子需要手动处理，增加偏置。
6K22发布于 2017-07-13 - 来自专栏圆圆的算法笔记
时空预测中，多大程度上需要图结构信息？
然而，时空预测由于引入了空间结构信息，会导致模型的计算复杂度显著提升。那么，我们多大程度上需要图结构的信息呢？能否在不影响效果的前提下，减少图结构信息的引入，以此提升模型效率呢？ KDD 2023中的一篇文章，就对这一方向进行了深入研究，提出了一种稀疏图时空预测方法，并验证了图结构信息在不同阶段（训练 or 预测）的作用。 下面将从本文使用的基础时空预测模型结构开始，介绍这篇文章的主体工作。 图自适应学习，主要指的是根据数据自动学习各个时间序列之间的图结构关系。之前的时空预测模型，往往需要人工提前定义一个图结构。但是并不是每种数据都有显示的图结构，并且人工定义的图结构信息不完整。 更详细的时空预测网络分类总结，可以查看星球中《Spatial-Temporal时空预测总结》这篇文章。 2、图的稀疏性 本文基于ASTGNNs类型的网络，对模型自动学到的图结构进行了分析。
1.5K30编辑于 2023-08-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号