ترجمه فارسی مقاله CoPRA: پل زدن مدل‌های توالی از پیش آموزش‌دیده بین دامنه‌ای با ساختارهای پیچیده برای پیش‌بینی میل اتصال پروتئین-RNA

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی CoPRA: Bridging Cross-domain Pretrained Sequence Models with Complex Structures for Protein-RNA Binding Affinity Prediction
عنوان مقاله به فارسی CoPRA: پل زدن مدل‌های توالی از پیش آموزش‌دیده بین دامنه‌ای با ساختارهای پیچیده برای پیش‌بینی میل اتصال پروتئین-RNA
نویسندگان Rong Han, Xiaohong Liu, Tong Pan, Jing Xu, Xiaoyu Wang, Wuyang Lan, Zhenyu Li, Zixuan Wang, Jiangning Song, Guangyu Wang, Ting Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Biomolecules,Machine Learning,زیست مولکول , یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Accurately measuring protein-RNA binding affinity is crucial in many biological processes and drug design. Previous computational methods for protein-RNA binding affinity prediction rely on either sequence or structure features, unable to capture the binding mechanisms comprehensively. The recent emerging pre-trained language models trained on massive unsupervised sequences of protein and RNA have shown strong representation ability for various in-domain downstream tasks, including binding site prediction. However, applying different-domain language models collaboratively for complex-level tasks remains unexplored. In this paper, we propose CoPRA to bridge pre-trained language models from different biological domains via Complex structure for Protein-RNA binding Affinity prediction. We demonstrate for the first time that cross-biological modal language models can collaborate to improve binding affinity prediction. We propose a Co-Former to combine the cross-modal sequence and structure information and a bi-scope pre-training strategy for improving Co-Former's interaction understanding. Meanwhile, we build the largest protein-RNA binding affinity dataset PRA310 for performance evaluation. We also test our model on a public dataset for mutation effect prediction. CoPRA reaches state-of-the-art performance on all the datasets. We provide extensive analyses and verify that CoPRA can (1) accurately predict the protein-RNA binding affinity; (2) understand the binding affinity change caused by mutations; and (3) benefit from scaling data and model size.

چکیده به فارسی (ترجمه ماشینی)

اندازه گیری دقیق میل اتصال پروتئین RNA در بسیاری از فرآیندهای بیولوژیکی و طراحی دارو بسیار مهم است.روشهای محاسباتی قبلی برای پیش بینی میل اتصال پروتئین RNA به ویژگی های توالی یا ساختار متکی هستند ، که قادر به ضبط مکانیسم های اتصال به طور جامع نیستند.مدلهای زبان از قبل آموزش دیده اخیر که بر روی توالی های عظیم بدون نظارت از پروتئین و RNA آموزش دیده اند ، توانایی بازنمایی قوی را برای کارهای مختلف پایین دست در دامنه ، از جمله پیش بینی سایت اتصال نشان داده اند.با این حال ، استفاده از مدلهای زبان مختلف با همکاری مشترک برای کارهای سطح پیچیده ناشناخته است.در این مقاله ، ما COPRA را برای ایجاد مدلهای زبان از پیش آموزش دیده از حوزه های مختلف بیولوژیکی از طریق ساختار پیچیده برای پیش بینی میل اتصال پروتئین RNA پیشنهاد می کنیم.ما برای اولین بار نشان می دهیم که مدل های زبان معین بیولوژیکی می توانند برای بهبود پیش بینی میل اتصال همکاری کنند.ما یک سازنده را برای ترکیب توالی و اطلاعات ساختار متقاطع و یک استراتژی قبل از ترسیم دو سیستم برای بهبود درک تعامل همکار پیشنهاد می کنیم.در همین حال ، ما بزرگترین مجموعه داده وابستگی اتصال پروتئین RNA PRA310 را برای ارزیابی عملکرد می سازیم.ما همچنین مدل خود را برای پیش بینی اثر جهش در یک مجموعه داده عمومی آزمایش می کنیم.کوپرا در تمام مجموعه داده ها به عملکرد پیشرفته می رسد.ما تجزیه و تحلیل های گسترده ای را ارائه می دهیم و تأیید می کنیم که COPRA می تواند (1) میل با اتصال پروتئین RNA را به طور دقیق پیش بینی کند.(2) تغییر وابستگی الزام آور ناشی از جهش ها را درک کنید.و (3) از مقیاس بندی داده ها و اندازه مدل بهره مند می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.