手机网站大全推荐,有找代做家具的网站m,厦门网站建设h5,建设一个企业网站到底要多少钱引入了机器学习方法#xff0c;通过少量的数据学习。只使用原子坐标作为输入。 预测RNA三维结构比预测蛋白质结构更困难。 设计了一个原子旋转等变评分器ARES#xff0c;由每个原子的三维坐标和化学元素类型#xff08;输入#xff09;指定#xff0c;ARES预测模型与未知真… 引入了机器学习方法通过少量的数据学习。只使用原子坐标作为输入。 预测RNA三维结构比预测蛋白质结构更困难。 设计了一个原子旋转等变评分器ARES由每个原子的三维坐标和化学元素类型输入指定ARES预测模型与未知真实结构的均根方差RMSD。ARES是一个深度神经网络直接从3D原子结构中学习本质上适用于任何分子。 ARES的初始层收集局部信息而其余层收集所有原子之间的信息。这种组合允许ARES预测全局属性同时捕获局部结构主题和原子间相互作用的细节。 过程 训练ARES将每个原子的元素类型和三维坐标指定的结构模型作为输入。原子特征根据附近原子的特征反复更新。这个过程产生了一组编码每个原子环境的特征。然后将每个特征在所有原子上取平均值并将所得平均值输入到额外的神经网络层中这些神经网络层根据RNA分子的真实结构输出结构模型的预测RMSD更新参数。 测试使用Rosetta FARFAR2采样方法 从候选的结构中生成了每个RNA的1000个结构模型根据ARES的评分选择最好的模型。 局限性 它依赖于先前开发的采样方法来生成候选结构模型。未来的工作可能会使用ARES来指导。
