ทีมจากมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีจีนเปิดตัวโมเดลพื้นฐานสำหรับลำดับ RNA แบบเปิดแหล่งที่มาชื่อ structRFM ซึ่งได้รับการฝึกด้วยข้อมูลคู่ลำดับ-โครงสร้างกว่า 21 ล้านชุด แสดงผลลัพธ์ในดัชนีหลักหลายประการที่อยู่ในระดับชั้นนำของโลก และผลงานนี้ได้รับการตีพิมพ์ในนิตยสาร Natureผู้เขียนบทความ แหล่งที่มา: AIBase
ทีมวิจัยจากมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีจีนเพิ่งบรรลุความก้าวหน้าครั้งสำคัญในด้านชีววิทยาและปัญญาประดิษฐ์ โดยเปิดตัวโมเดลพื้นฐานสำหรับลำดับ RNA ชื่อ structRFM ซึ่งผลงานวิจัยที่เกี่ยวข้องได้รับการตีพิมพ์ในวารสารวิชาการชั้นนำระดับนานาชาติ Nature เมื่อไม่นานมานี้ เพื่อส่งเสริมความก้าวหน้าร่วมกันของระบบนิเวศการวิจัยทั่วโลก ทีมวิจัยได้ประกาศเปิดแหล่งข้อมูลแบบโอเพนซอร์สอย่างครบถ้วน รวมถึงข้อมูลคู่ทั้งหมด น้ำหนักของโมเดล และรหัสต้นฉบับ เพื่อให้นักวิจัยทั่วโลกสามารถใช้งานได้ฟรีโดยไม่มีข้อจำกัด
พื้นฐานหลัก: แก้ไขจุดที่ท้าทายที่สุดในการวิจัย RNA และการพัฒนายาใหม่
เป็นโมเลกุลขนาดใหญ่ที่สำคัญอย่างยิ่งในสิ่งมีชีวิต รีโบนิวคลีอิกแอซิด (RNA) มีบทบาทอย่างกว้างขวางในการควบคุมและจัดการวงจรชีวิตทั้งหมดของการแสดงออกของยีนและการสังเคราะห์โปรตีน และเป็นเป้าหมายหลักที่หลีกเลี่ยงไม่ได้ในการวิจัยและพัฒนายาใหม่ทั่วโลกปัจจุบัน
ในระดับจุลภาค โมเลกุล RNA จะก่อรูปโครงสร้างที่สองที่ซับซ้อนผ่านการจับคู่เบส และพับตัวต่อไปเป็นรูปร่างสามมิติที่เฉพาะเจาะจง โครงสร้างสามมิติและโครงสร้างที่สองเหล่านี้เองที่กำหนดกิจกรรมทางชีววิทยาของโมเลกุลและวิธีการที่มันโต้ตอบกับโมเลกุลอื่นๆ อย่างไรก็ตาม มานานหลายปี การวิเคราะห์โครงสร้างและฟังก์ชันของ RNA อย่างแม่นยำยังคงเป็นอุปสรรคใหญ่ในสาขาชีวสารสนเทศ

สถาปัตยกรรมและข้อมูล: การฝึกอบรมล่วงหน้าสองครั้งที่ขับเคลื่อนด้วยข้อมูลคู่มากกว่า 21 ล้านคู่
เพื่อแก้ปัญหานี้ ทีมวิจัยจากมหาวิทยาลัยวิทยาศาสตร์และเทคโนโลยีจีนได้หาทางใหม่ โดยสร้างชุดข้อมูลคู่ลำดับ-โครงสร้างทุติยภูมิที่ได้รับการระบุอย่างแม่นยำประมาณ 21 ล้านรายการ ซึ่งเป็นรากฐานข้อมูลปริมาณมหาศาลและมีคุณภาพสูงสำหรับการฝึกโมเดลขนาดใหญ่
บนพื้นฐานนี้ ทีมวิจัยได้ออกแบบอัลกอริธึมเชิงนวัตกรรมที่ทำให้โมเดลสามารถเรียนรู้ข้อมูลบริบทของลำดับและความสัมพันธ์เชิงโครงสร้างพร้อมกันในขั้นตอนการฝึกล่วงหน้า หลังจากการฝึกล่วงหน้าอย่างลึกซึ้ง โมเดลนี้แสดงให้เห็นถึงความสะดวกและความสามารถทั่วไปที่สูงมาก: นักวิจัยเพียงแค่ป้อนลำดับพื้นฐาน โมเดลจะสามารถดึงคุณลักษณะสามระดับได้อย่างอัตโนมัติและแม่นยำ ได้แก่ ระดับลำดับ ระดับนิวคลีโอไทด์ และระดับคู่นิวคลีโอไทด์ ซึ่งช่วยสนับสนุนงานต่างๆ ในการอนุมานโครงสร้างและหน้าที่อย่างมีประสิทธิภาพ
ผลการทดลอง: ดัชนีหลักหลายรายการบรรลุระดับชั้นนำของโลก
ในการทดลองและทดสอบประสิทธิภาพอย่างเข้มงวด structRFM แสดงให้เห็นถึงประสิทธิภาพโดยรวมที่น่าประทับใจ:
การจำแนกแบบศูนย์ตัวอย่างและการพยากรณ์โครงสร้าง: โมเดลแสดงประสิทธิภาพที่ยอดเยี่ยมในงานจำแนกความคล้ายกันแบบศูนย์ตัวอย่าง และเพิ่มความแม่นยำในการพยากรณ์โครงสร้างรองของ RNA อย่างมีนัยสำคัญ
การปรับปรุงร่วมกันของรูปทรงสามมิติ: เมื่อนักวิจัยผสานคุณลักษณะที่ดึงออกมาอย่างราบรื่นเข้ากับแบบจำลองการทำนายรูปทรงสามมิติ ผลลัพธ์สุดท้ายของการทำนายรูปทรงสามมิติและโครงสร้างระดับที่สองที่เกี่ยวข้องจึงได้รับการปรับปรุงอย่างมีนัยสำคัญ
การอนุมานฟังก์ชันทางชีวภาพอย่างแม่นยำ: ในด้านการอนุมานฟังก์ชันการใช้งานจริง โมเดลนี้สามารถสนับสนุนการพยากรณ์ไซต์การตัดต่อ การระบุไซต์การเข้าถึงไรโบโซมภายใน (IRES) และการจัดหมวดหมู่ RNA ที่ไม่เข้ารหัสได้อย่างยอดเยี่ยม
ความสามารถในการทั่วไปและขยายตัวอย่างแข็งแกร่ง: แม้面对กลุ่ม RNA ใหม่ที่ค้นพบ โมเดลยังคงแสดงประสิทธิภาพที่ยอดเยี่ยมในการทำนายโครงสร้างระดับสอง; ด้วยกลยุทธ์การแบ่งส่วนที่ยืดหยุ่น โมเดลยังสามารถขยายขอบเขตการใช้งานไปยังงานจำแนกประเภท RNA ที่ไม่เข้ารหัสความยาว
นอกจากนี้ ทีมวิจัยได้ยืนยันอย่างเป็นวิทยาศาสตร์ผ่านการทดลองแบบลบองค์ประกอบอย่างละเอียดถึงบทบาทสำคัญของการนำข้อมูลโครงสร้างและกลยุทธ์การปิดบังมาใช้ในการเพิ่มประสิทธิภาพโดยรวมของโมเดล ซึ่งให้ข้อมูลการทดลองที่มั่นคงสนับสนุนการออกแบบอัลกอริธึมในอนาคต เมื่อโมเดลนี้เปิดให้ใช้งานอย่างเต็มรูปแบบ นักวิจัยทั่วโลกจะสามารถใช้เครื่องมือใหม่นี้เร่งความก้าวหน้าในการถอดรหัสโครงสร้าง RNA และการพัฒนาเภสัชกรรมและชีวการแพทย์ขั้นสูง

