cc0319cc的博客

【代码】FSCfold运行指南。

医学图像中的自动器官分割是许多临床应用中的关键步骤。近年来，卷积神经网络（CNN）极大地促进了各种分割模型的发展，例如全卷积神经网络（FCN）[1], 大学网[2], PSP网络[3]以及一系列DeepLab版本[4]–​[6]。特别是，基于编码器-解码器架构的UNet被广泛应用于医学图像分割。它使用跳跃连​​接来组合来自解码器的高级语义特征图和来自编码器的相应低级详细特征图。为了从 UNet、UNet++ 中的普通跳过连接中消除语义上不同特征的融合[7]

RNA二级结构对于预测三级结构和理解RNA功能至关重要。最近的研究倾向于堆叠大量模块来设计大型深度学习模型。这可以将准确率提高到70%以上，同时也会带来显著的训练成本和预测效率。我们提出了一个具有三个特征提取器的模型，称为 GCNfold。Structure Extractor 利用三层图卷积网络 （GCN） 来挖掘 RNA 的结构信息，例如茎、发夹和内部环。Structure and Sequence Fusion 使用 Transformer Encoders 将结构信息嵌入到序列中。

RNA是生物体中重要的基本物质。它在基因的编码、解码、调节和表达方面发挥着重要作用。RNA在生物体中的功能主要取决于其三级结构。然而，RNA分子的三级结构非常复杂，缺乏有效的表征方法；因此，从RNA分子的一级结构直接预测三级结构是非常困难的。因此，从RNA的一级结构预测RNA的二级结构成为研究RNA结构的主要过程。目前，鉴定的RNA二级结构主要通过X射线衍射、核磁共振等生物实验手段获得。然而，在大规模测量结构时，生物实验方法效率低下、昂贵且艰巨（Novikova et al., 2012）；

由于RNA二级结构与其稳定性和功能高度相关，因此结构预测对于生物学研究具有重要价值。传统的RNA二次预测的计算预测主要是基于热力学模型通过动态规划寻找最优结构。然而，基于传统方法的预测性能并不能令人满意，有待进一步研究。此外，使用动态规划进行结构预测的计算复杂度为 𝑂(𝑁3)；对于带有假结的RNA结构，它变成 𝑂(𝑁6) ，这对于大规模分析来说在计算上是不切实际的。

RNA 在将遗传信息从 DNA 转移到蛋白质的过程中发挥着关键作用 [1]，但它还具有其他功能，例如酶活性 [2] 和细胞调节 [3]。要了解RNA的功能，获得其结构至关重要。RNA结构可分为三级：一级、二级和三级。由于涉及多种因素，预测三级结构具有挑战性[4]。X 射线晶体学 [5] 和 NMR [6] 等实验方法既耗时又昂贵。因此，准确预测RNA二级结构至关重要。为了满足高通量数据的需求[7]，RNA二级结构预测的计算方法被创建。有望通过RNA的一级结构来预测更高阶的RNA二级结构。

RNASSRnet

e2efold

Ufold提出了一种将rna序列也就是一级结构通过操作生成二维图像的表示形式，然后通过全卷积神经网络Unet进行处理。可以实现预测包含假结在内的rna二级结构。