- 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。 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。 ? 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 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。 ? 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
实验手段可用，但 RNA 的“柔性”是最大挑战 传统的蛋白结构解析技术——包括 X 射线晶体学、核磁共振（NMR）以及冷冻电镜（cryo-EM）——同样可以用于研究 RNA 结构。 受 AlphaFold 启发，RNA 结构预测迎来深度学习浪潮 AlphaFold 的成功，也极大激发了研究人员将机器学习和深度学习方法引入 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。
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
理解其功能的机械机制需要三级结构信息；然而，实验测定RNA三维结构既昂贵又耗时，导致RNA序列和结构数据之间存在巨大差距。 NuFold还能够通过连接输入序列来预测RNA的多聚体复合物结构。 核糖核酸(RNA)是生物体的基础分子。 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%。 在这里，作者介绍了NuFold，一种使用端到端深度网络架构的从头开始RNA结构预测方法。该方法接收目标RNA序列并通过一个全面训练的单一网络生成三级结构模型。 ，用于构建目标RNA的三维(3D)结构模型。
45210编辑于 2025-02-26 - 来自专栏数据科学（冷冻工厂）
RNA-seq 差异分析的细节详解 (5)
该包包括一系列用于操作和聚合数据的工具，以及一系列可定制的可视化和项目管理功能，简化了 RNA-Seq 分析，并提供了多种探索和分析数据的方法。
52210编辑于 2024-12-30 - 来自专栏Y大宽
RNA-seq(5):序列比对：Hisat2
RNA-Seq数据比对和DNA-Seq数据比对有什么差异？ RNA-Seq数据分析分为很多种，比如说找差异表达基因或寻找新的可变剪切。 ---- 我的fastq文件在/mnt/f/rna_seq/data 我的index在mnt/f/rna_seq/data/reference/index/hg19 比对后得到的bam文件会存放在/ /mnt/f/rna_seq/aligned (base) kelly@DESKTOP-MRA1M1F:/mnt/f/rna_seq/aligned$ # 小鼠和人是分开各自比对自己的index # /genome -1 /mnt/f/rna_seq/data/SRR35899${i}.sra_1.fastq.gz -2 /mnt/f/rna_seq/data/SRR35899${i}.sra_2. 而且由于 RNA-seq 中由于基因表达量的关系，RNA-seq 的数据比对结果 BAM 文件使用 samtools 进行 sort 之后文件压缩比例变化会比DNA-seq 更甚。
5.9K22发布于 2018-09-10 - 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。 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。 https://doi.org/10.1038/s41587-025-02974-5 内容为【DrugOne】公众号原创｜转载请注明来源
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。 科学家希望通过解析RNA的三维结构来揭示其功能机制，体现“结构决定功能”的生物学经典理念。 正如李喻所说：“在生物学中，我们假设序列决定结构，结构决定功能。” 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。 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
（1）RNAfold 服务器 1.输入核苷酸序列 2.点击运行 RNAfold web server http://rna.tbi.univie.ac.at/cgi-bin/RNAWebSuite www.unafold.org http://www.unafold.org/ 1.设置任务名 2.输入核苷酸序列 3.点击运行fold 4.点击输出页面的vienna，得到‘点括号’形式的二级结构 ，生成二级结构‘点括号’ ? （5）Centroid-Fold服务器 CentroidFold http://rtools.cbrc.jp/centroidfold/ 1.输入核苷酸序列 2.点击运行 3.计算结束后点击txt ，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
ERNIE-RNA 的注意力图在零样本条件下即可显著捕捉 RNA 的结构特征，甚至优于传统计算方法，说明模型在预训练过程中自然学会了 RNA 的结构模式。 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。 预训练阶段已自然形成结构感知能力 注意力图的 RNA 二级结构零样本预测性能 研究人员将注意力图直接视为碱基配对概率矩阵，用于零样本 RNA 二级结构预测。 5'UTR 翻译效率（MRL）预测 在由 8 万条人工序列与真实人类 5'UTR 构成的数据集上： ERNIE-RNA-conv 在随机测试集 R² = 0.92； 在人类测试集 R² = 0.86（最佳 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 - 来自专栏数据科学（冷冻工厂）
R中单细胞RNA-seq分析教程 (5)
引言 本系列开启R中单细胞RNA-seq数据分析教程[1]，持续更新，欢迎关注，转发！ 10. 伪时间细胞排序 如前所述，在 UMAP 嵌入中看到的背侧端脑细胞形成的类似轨迹的结构，很可能代表了背侧端脑兴奋性神经元的分化和成熟过程。 seurat_dorsal <- subset(seurat, subset = RNA_snn_res.1 %in% c(0,2,5,6,10)) seurat_dorsal <- FindVariableFeatures if (is(seurat_dorsal[['RNA']], 'Assay5')){ expr <- LayerData(seurat_dorsal, assay = "<em>RNA</em>", layer = "data") } else{ expr <- seurat_dorsal[['RNA']]@data } library(ggplot2) plot1 <- qplot(seurat_dorsal
28610编辑于 2024-12-30 - 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
然而，现有RNA语言模型多基于大规模序列数据进行训练，未充分利用结构信息，导致对结构相关功能的预测能力有限。 已有方法尝试引入结构特征，但往往依赖噪声较大的结构注释数据，或在训练过程中引入任务特定的监督信号，从而牺牲了模型的泛化性和通用性。这一局限性在RNA结构预测、结构导向的功能推断等领域尤为突出。 f, g 在 CASP15（12 条 RNA）和 RNA Puzzles（20 条 RNA）数据集上，基于预测三级结构提取的二级结构头对头比较。圆圈大小依差值大小而定。 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。 功能预测 图 5 structRFM 用于功能预测 a, b 用于剪接位点预测、IRES 识别和 RNA序列分类的神经网络结构示意图。
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。 图 5｜MYC IRES 上预测结合位点的实验验证。 MYC IRES 靶向小分子的功能验证 在 MYC 内部核糖体进入位点（IRES）研究中，SMRTnet 预测的小分子与实验验证结果高度一致。
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 ? 这种表示方式只采用了两种符号，而且都是计算机可以识别的符号，所以软件也可以识别，在很多软件和数据库中，给出的二级结构都会用这种方式来表示。 ·end· —如果喜欢，快分享给你的朋友们吧—
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。 图 5｜MYC IRES 上预测结合位点的实验验证。 MYC IRES 靶向小分子的功能验证 在 MYC 内部核糖体进入位点（IRES）研究中，SMRTnet 预测的小分子与实验验证结果高度一致。
19810编辑于 2026-01-06 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：搞定count归一化（5）
学习目标了解如何在归一化过程中列出不同的 uninteresting factors(无关因素)了解常用的归一化方法，已经如何使用了解如何创建 DESeqDataSet 对象及其结构了解如何使用 DESeq2 图片每个基因的映射读数计数是 RNA 表达以及许多其他因素的结果。归一化是调整原始计数值以解决“无关”因素的过程。以这种方式，表达水平在样本之间或样本内更具可比性。 RNA组成样本之间一些高度差异表达的基因、样本之间表达的基因数量的差异或污染的存在可能会扭曲某些类型的归一化方法。建议考虑 RNA 组成以准确比较样本之间的表达，这在进行差异表达分析时尤为重要。 然而，确实需要考虑测序深度和 RNA 组成。为了标准化测序深度和 RNA 组成，DESeq2 使用比率中值方法。在用户端只有一个步骤，但在后端涉及多个步骤，如下所述。 我们将在下面的示例中演示此功能，但在典型的 RNA-seq 分析中，此步骤由 DESeq() 函数自动执行，我们将在后面讨论。
2.3K30编辑于 2023-01-29 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：搞定count归一化（5）
学习目标 了解如何在归一化过程中列出不同的 uninteresting factors(无关因素) 了解常用的归一化方法，已经如何使用 了解如何创建 DESeqDataSet 对象及其结构 了解如何使用 RNA组成 样本之间一些高度差异表达的基因、样本之间表达的基因数量的差异或污染的存在可能会扭曲某些类型的归一化方法。建议考虑 RNA 组成以准确比较样本之间的表达，这在进行差异表达分析时尤为重要。 RNA composition 归一化不仅对于差异表达分析必不可少，对于探索数据分析、数据可视化以及探索或比较样本之间或样本内的计数也是必要的。 2. 然而，确实需要考虑测序深度和 RNA 组成。为了标准化测序深度和 RNA 组成，DESeq2 使用比率中值方法。在用户端只有一个步骤，但在后端涉及多个步骤，如下所述。 我们将在下面的示例中演示此功能，但在典型的 RNA-seq 分析中，此步骤由 DESeq() 函数自动执行，我们将在后面讨论。
1.6K20编辑于 2023-02-27
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