- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信小驿站
RNA二级结构（1）从pdb文件注释RNA二级结构
介绍RNA二级结构 对于RNA的二级结构，最直观的肯定是用图片表示，示意如下： ? 图片对于分析人员是特别直观的，但是对于软件而言，就无法识别了。 为了让程序识别RNA二级结构，专门开发出了一种表示方式，用点号和括号这两种符号来表示对应的二级结构。 从左下角第一个黑色圆点对应的碱基开始，一开始是3个配对碱基，所以先用3个(表示，接下来是茎环结构中未配对的两个碱基，用2个.表示，然后是4个配对碱基，再然后是未配对的3个碱基，再往后的配对碱基与前面左括号 介绍RNA二级结构 RNApdbee 2.0: multifunctional tool for RNA structure annotation ? 使用RNApdbee2.0来注释RNA二级结构 ? 上传pdb文件，选择默认参数，点击run即可。 ? 便可以得到dot bracket格式的RNA二级结构。
2.9K11发布于 2021-01-20 - 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 是因为第88行是序列名称类型等相关信息，第89，90行才是序列: head -n 90 eukaryotic-tRNAs.fa |tail -n 3 >Anolis_carolinensis_chr2_ 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。 进入RNA Structure界面，选择Predict a Secondary Structure ? 进入后，按要求提交数据 ? 等待得到预测的结果 ? 全文结束,欢迎在评论区讨论~
2.1K10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。 ? 2. 3dRNA-2.0 http://biophy.hust.edu.cn/3dRNA ? 3. Vfold3D ? 4. 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。
5.2K20发布于 2021-03-03 - 来自专栏DrugAI
Methods | RNA结构预测
如今，CASP 已正式纳入 RNA 结构预测任务，为该领域提供了统一、客观的评测平台。此外，RNA-Puzzles 这一长期运行的国际竞赛，也持续推动 RNA 结构预测方法的创新与对比评估。 最大瓶颈：RNA 结构数据仍然严重不足 尽管方法不断进步，RNA 结构预测仍面临一个根本性制约：高质量实验数据的匮乏。 展望：实验突破 + AI 方法，或将破解 RNA 结构密码 研究人员期待，随着实验技术的进一步发展，RNA 三级结构解析能够变得更加常规和高通量。 3D structure with transformer network. Accurate RNA 3D structure prediction using a language model-based deep learning approach.
27720编辑于 2026-01-06 - 来自专栏医学数据库百科
UFold | RNA二级结构预测
在 [[DNA转录过程介绍]] 介绍当中，我们知道 DNA 通过转录可以形成一条单一链的 RNA。虽然从线性角度而言的话，RNA 是单链的。但是细胞内的 RNA 可以通过折叠形成 RNA 的二级结构。 RNA 二级结构的形成在很大程度上取决于核苷酸碱基配对，包括经典碱基配对——A-U、C-G 和非 Watson-Crick 配对 G-U，以及非经典碱基配对[1]。 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。
4.2K30编辑于 2021-12-10 - 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。
4.3K30发布于 2020-05-08 - 来自专栏DrugOne
. | 深度学习赋能RNA研究，NuFold实现精确RNA结构预测
然而，由于实验确定的RNA结构稀缺，作者对RNA结构的了解仍然有限。蛋白质数据库(PDB)包含大约6000个条目，其中包括RNA分子，这仅占整个PDB条目的约3%。 ，用于构建目标RNA的三维(3D)结构模型。 图3a-c显示了测试目标的RMSD相对于二级结构预测的F1分数。 IPknot、MXfold2和SPOT-RNA的皮尔逊相关系数分别为-0.104、-0.174和-0.595。在图3d-f中，作者移除了MSA输入，试图看到二级结构预测准确性对建模性能的更清晰影响。 图3g、h比较了基准NuFold与具有两种极端二级结构信息的NuFold：从天然结构计算得到的完全准确信息(图3g)和没有二级结构信息(图3h)。
45210编辑于 2025-02-26 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：分析准备（3）
学习目标了解 RNA-seq 和差异表达基因的分析流程了解如何设计实验了解如何使用 R 语言进行数据分析1. 简介在过去的十年中，RNA-seq 已成为转录组差异表达基因和 mRNA 可变剪切分析不可或缺的技术。正确识别哪些基因或转录本在特定条件下的表达情况，是理解生物反应过程的关键。 在本教程中，将借助许多R包，带你进行一个完整的 RNA-seq 分析过程。 具体情况如下：处理 1 2 3 MOV10 geneover expressionknock downIrrelevant MOV10：是一种 RNA 解旋酶，在 microRNA 通路的背景下与性别相关发育有关。3. 问题MOV10 基因的表达变化会产生什么影响？变化之间是否有共同的特征？4.
1.5K20编辑于 2023-01-29 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：分析准备（3）
学习目标 了解 RNA-seq 和差异表达基因的分析流程 了解如何设计实验 了解如何使用 R 语言进行数据分析 1. 简介 在过去的十年中，RNA-seq 已成为转录组差异表达基因和 mRNA 可变剪切分析不可或缺的技术。正确识别哪些基因或转录本在特定条件下的表达情况，是理解生物反应过程的关键。 在本教程中，将借助许多R包，带你进行一个完整的 RNA-seq 分析过程。 MOV10：是一种 RNA 解旋酶，在 microRNA 通路的背景下与性别相关发育有关。 3. 问题 MOV10 基因的表达变化会产生什么影响？ 变化之间是否有共同的特征？ 4. 现在我们需要获取用于分析的文件：Mov10[3]，点击即可下载（不能下载的，可以在文末链接获取）。下载 zip 文件后，您需要解压它。
1.5K20编辑于 2023-02-27 - 来自专栏DrugOne
. | 实验×AI：加速RNA结构测定
DRUGONE RNA 是细胞内关键的功能分子，其生物学作用高度依赖复杂而动态的三维结构。然而，RNA 的高度柔性、电荷特性以及对环境的敏感性，使其结构解析长期面临挑战。 AI 驱动的 RNA 结构预测 受蛋白结构预测革命性进展的推动，研究人员将深度学习引入 RNA 三维结构预测。 然而，由于 RNA 结构数据稀缺、进化信号弱以及动力学信息缺失，自动化预测仍难以全面超越人工专家。 图2 | AI 驱动的 RNA 结构预测流程及典型预测示例。 将不同分辨率、不同模态的实验信息系统性地融入生成模型，被认为是未来实现高效 RNA 结构解析的关键路径。 图3 | 实验数据与 AI 方法协同解析 RNA 结构与动力学的代表性框架。 未来的重要方向包括：识别并优先解析更多结构多样的新型 RNA、通过 AI 降低高分辨实验的门槛以加速结构测定流程，以及发展更具结构感知能力的 RNA 语言模型与生成模型。
13710编辑于 2026-01-13 - 来自专栏生信菜鸟团
RNA 结构预测为什么比蛋白质难？
中文标题：RNA 功能决定于其结构 —— 为什么预测它如此困难？ 2022年，CASP将挑战目标转向另一类复杂但极其关键的生物大分子：RNA。 RNA结构预测为何更难？ 与蛋白质类似，RNA结构的解析也依赖昂贵且耗时的实验方法，而计算方法可以成为辅助工具。 结构预测：蛋白质遥遥领先 RNA结构预测工具的发展远落后于蛋白质。即便是AlphaFold的最新版本 AlphaFold3，在RNA结构预测方面表现也十分有限。 陈世杰领导的团队首先使用 AlphaFold3 生成一组可能的RNA结构，然后运用物理模型探索“能量景观”，找出最可能成形的构象（该团队已将其软件授权给数家生物科技公司）。 RNA结构的特殊挑战 与蛋白质相比，RNA分子具有更灵活的骨架，且结构更加动态，在完成功能时可能发生显著构象变化。
34700编辑于 2025-03-28 - 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
，得到‘点括号’形式的二级结构 ? （3）RNAstructure 服务器 Welcome to the Predict a Secondary Structure Web Server https://rna.urmc.rochester.edu （4）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‘点括号’ ? ，即可得到‘点括号’形式的二级结构 ?
7.8K22发布于 2021-01-26 - 来自专栏DrugAI
. | ERNIE-RNA: 一种引入结构增强表示的 RNA 语言模型
RNA 不仅承担遗传信息的传递功能，还参与调控、结构构建等多种生物过程。RNA 的一级序列会折叠形成稳定的二级与三级结构，这些结构最终决定其功能。 跨族泛化（bpRNA-new 与 RNA3DB-2D） 这些集合包含训练集中未出现的 RNA 家族，是最严格测试。 ERNIE-RNA 冻结模型在 bpRNA-new 上 F1 = 0.646（优于所有深度模型）； 在超小训练集的 RNA3DB-2D 上仍保持最强深度学习表现。 RNA 接触图预测 在 3D 接触预测任务中： 使用 ERNIE-RNA 注意力图的模型 Top-L/1 precision = 0.68（当前最佳）； 显著优于 RNAcontact（大型 ensemble 下游任务的全面领先性：包括二级结构、3D 接触图、5'UTR 翻译效率、RBP 结合和 ncRNA 分类。 泛化能力极佳：在新 RNA 家族和结构差异显著的数据集上表现尤其突出。
16820编辑于 2026-01-06 - 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
（Zfold）：在 RNA Puzzles 数据集上 RMSD 比 AlphaFold3 提升 19%； 功能预测：IRES 识别任务 F1 比 IRESfinder 高 49%； 在剪切位点预测、ncRNA b 在 Rfam（24,523 条 RNA）和 ArchiveII600（3,611 条RNA）数据集上，不同模型同源和非同源 RNA 序列对的余弦相似度分布，及 c两个分布的重叠率（OR），展示 structRFM 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。 c, d structRFM 及其他模型在 ArchiveII600（3,611 条 RNA）和 bpRNA-TS0（1,305条 RNA）数据集上的二级结构预测 F1 分数。 列出三级结构 RMSD 及由三级结构提取的二级结构 F1 分数。二级结构中，茎结构为绿色，多重环为红色，内环为黄色，发夹环为蓝色，5’ 和 3’ 非配对区为橙色。
33910编辑于 2025-08-15 - 来自专栏DrugAI
. | 无需RNA三级结构的小分子–RNA相互作用预测方法
研究人员提出 SMRTnet，一种无需 RNA 三级结构、仅基于 RNA 二级结构的小分子–RNA 相互作用预测深度学习框架。 相较于蛋白质，RNA 靶点在药物开发中仍处于早期阶段，其中一个关键瓶颈在于 RNA 三级结构难以通过实验手段大规模解析。 因此，亟需一种摆脱 RNA 三级结构依赖、可扩展至大规模 RNA 靶点的预测方法。 RNA 二级结构与模型组件的重要性 消融实验表明，RNA 序列与二级结构信息对预测性能至关重要；移除二级结构会显著降低模型表现。多模态融合模块也对整体性能提升具有重要贡献。 不同 RNA 靶点呈现出差异化的结合分子谱，显示模型对 RNA 结构差异具有良好分辨能力。 图 3｜疾病相关 RNA 靶点的小分子实验验证结果。
13820编辑于 2026-01-06 - 来自专栏生信修炼手册
RNA二级结构表示法:Dot-Bracket notation
对于预测到的novel miRNA,也就是新的miRNA, 我们会想要知道其二级结构。对于RNA的二级结构，最直观的肯定是用图片表示，示意如下 ? 上图表示的是一个miRNA前体，即pri-miRNA, 有一个典型的茎环结构，除此之外，其他的碱基都是互补配对的。 图片对于分析人员是特别直观的，但是对于软件而言，就无法识别了。 为了让程序识别RNA二级结构，专门开发出了一种表示方式，用点号和括号这两种符号来表示对应的二级结构。 该表示方法就称之为dot-bracket notation, 其核心思想是利用配对的括号来表示碱基的互补配对，用连续的点号来表示茎环结构，对于下图所示的二级结构 ? 从第一个黑色圆点对应的碱基开始，一开始是3个配对碱基，所以先用3个(表示，接下来是茎环结构中未配对的两个碱基，用2个.表示，然后是4个配对碱基，再然后是未配对的3个碱基，再往后的配对碱基与前面左括号(表示的碱基相配对
1.8K20发布于 2020-05-08 - 来自专栏DrugIntel
. | 无需RNA三级结构的小分子–RNA相互作用预测方法
研究人员提出 SMRTnet，一种无需 RNA 三级结构、仅基于 RNA 二级结构的小分子–RNA 相互作用预测深度学习框架。 相较于蛋白质，RNA 靶点在药物开发中仍处于早期阶段，其中一个关键瓶颈在于 RNA 三级结构难以通过实验手段大规模解析。 因此，亟需一种摆脱 RNA 三级结构依赖、可扩展至大规模 RNA 靶点的预测方法。 RNA 二级结构与模型组件的重要性 消融实验表明，RNA 序列与二级结构信息对预测性能至关重要；移除二级结构会显著降低模型表现。多模态融合模块也对整体性能提升具有重要贡献。 不同 RNA 靶点呈现出差异化的结合分子谱，显示模型对 RNA 结构差异具有良好分辨能力。 图 3｜疾病相关 RNA 靶点的小分子实验验证结果。
19810编辑于 2026-01-06 - 来自专栏智能生信
使用纳米孔进行长读长单分子 RNA 结构测序
简读分享 | 赵晏浠 编辑 | 陈兴民 论文题目 Long-read single-molecule RNA structure sequencing using nanopore 论文摘要 RNA 分子可以形成可以调节其定位和功能的二级和三级结构。 尽管最近使用长读长测序来确定 RNA 结构，但这些方法仍然使用跨链的聚合信号来检测结构。对总体进行平均还意味着只能获得有关分子间结构异质性或每个分子内依赖性的有限信息。 在这里，我们提出了单分子结构测序 (SMS-seq)，它将结构探测与天然 RNA 测序相结合，通过新的分析方法提供单个分子的非扩增结构图谱。我们使用互信息的新方法支持单分子结构询问。 每个 RNA 在多个碱基上进行探测，从而能够发现结构特征的依赖性和异质性。我们还表明，SMS-seq 可以捕获三级相互作用、核糖开关配体结合的动力学和 mRNA 结构特征。
33810编辑于 2022-12-29 - 来自专栏DrugOne
马丽佳团队开发亚细胞分辨率RNA结构动态检测新工具助力RNA结构动力学研究 | Cell Press对话科学家
从而实现了在多种亚细胞组分中对RNA二级结构特征及其动态变化的系统性检测，并在单细胞水平揭示了胞浆RNA结构的异质性。 论文简介 RNA不仅是遗传信息的载体，其折叠形成的复杂二级、高级结构对于RNA在细胞内的加工成熟、定位转运及功能行使至关重要。RNA结构在生命过程中呈现高度动态变化，与RNA的命运紧密关联。 结构重塑位点在3' UTR区域富集，这与UTR作为转录后调控热点区域的功能特性一致。 马丽佳研究员： 本研究丰富了对RNA结构在不同亚细胞组分动态变化的认识，发现了RNA结构组分特异性和细胞间RNA结构异质性，及其与RNA功能的密切关系，极大丰富了RNA结构动力学的认知维度。 此外，该技术框架理论上可适配多种定位信号/调控蛋白，未来有望应用于不同生理/病理状态、更多亚细胞结构的RNA动态结构研究，将强力推动RNA结构-功能关系领域的进展，并应用于指导RNA药物的分子设计。
23710编辑于 2025-07-04 - 来自专栏DrugAI
Methods | 融合进化信息的一体化RNA折叠与3D结构基序预测
研究人员提出了 CaCoFold-R3D，一种概率文法框架，可以在给定序列或比对的条件下同时预测RNA二级结构与三维基序。 结果显示，CaCoFold-R3D不仅能够作为RNA三维结构预测的有效工具，还可作为深度学习全原子预测的输入，并为RNA设计与药物靶点开发提供有力支持。 非编码RNA在多种细胞过程中发挥关键作用，其功能依赖于保守的三维结构。RNA结构呈现层级性：首先由典型Watson–Crick碱基对构成二级结构（双螺旋与假结），随后通过环和连接区域组织成三维结构。 因此，将三维基序与二级结构预测整合是一项长期未解的挑战。 方法 研究人员开发了 CaCoFold-R3D，这是一个计算高效的概率模型，可以同时预测RNA的二级结构与三维基序。 CaCoFold-R3D通过一系列随机上下文无关文法（SCFGs）建模RNA结构，同时结合隐马尔可夫模型（HMMs）表征序列保守性。
13720编辑于 2026-01-06
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