论文阅读《Geometric deep learning of RNA structure》

引入了机器学习方法，通过少量的数据学习。只使用原子坐标作为输入。
预测RNA三维结构比预测蛋白质结构更困难。
设计了一个原子旋转等变评分器ARES，由每个原子的三维坐标和化学元素类型（输入） 指定，ARES预测模型与未知真实结构的均根方差 RMSD。ARES是一个深度神经网络，直接从3D原子结构中学习，本质上适用于任何分子。
ARES的初始层收集局部信息，而其余层收集所有原子之间的信息。这种组合允许ARES预测全局属性，同时捕获局部结构主题和原子间相互作用的细节。
过程：
训练：ARES将每个原子的元素类型和三维坐标指定的结构模型作为输入。原子特征根据附近原子的特征反复更新。这个过程产生了一组编码每个原子环境的特征。然后将每个特征在所有原子上取平均值，并将所得平均值输入到额外的神经网络层中，这些神经网络层根据RNA分子的真实结构输出结构模型的预测RMSD，更新参数。
测试：使用Rosetta FARFAR2采样方法从候选的结构中生成了每个RNA的1000个结构模型，根据ARES的评分选择最好的模型。
局限性：
它依赖于先前开发的采样方法来生成候选结构模型。未来的工作可能会使用ARES来指导。