深度学习促进了RNA预测的发展  | Nature Computational Science九月刊

在个体层面上检测罕见的大脑异常情况

封面描述的是人脑的几个白质纤维通路的三维重建。体内的纤维通路是用一种叫做扩散磁共振成像束的技术得出的。

深度学习促进了RNA预测的发展  

过去几年，利用深度学习算法准确预测蛋白质三级结构的最新成就令研究界感到惊讶，蛋白质是可折叠形成三维结构的聚合物分子。遗憾的是，针对蛋白质结构预测开发的技术不能直接应用到其他具有类似结构特征的生物分子上，如核糖核酸（RNA）。三维RNA结构的计算预测是一项重要的工作，因为三维结构决定了RNA分子的重要生物功能。然而，这项工作被证明是不容易的，主要是由于研究透彻的RNA结构数量有限。缺乏足够的知识来可靠地确定所预测RNA结构模型的质量，这为建立准确的结构预测方法造成了阻碍。最近，Rhiju Das、Ron O. Dror及其同事开发了一种深度学习方法，能够在有限的已知RNA结构的基础上提高RNA结构的预测精度。

在这项工作中，作者开发了一种基于深度神经网络的方法，名为原子旋转等值评分器（ARES）。ARES只需要原子结构和化学信息（三维坐标和元素类型）作为输入，而不是更复杂的RNA特征（如核苷酸和双螺旋）；ARES计算出均方根导数（RMSD）并输出，这是一个识别RNA结构模型准确性的评分函数。为了提高有效性，ARES被设计成既能学习局部图案信息，又能学习更深层的扩展全局属性。然后将18个实验中已知的RNA结构产生了18000个结构模型用于训练ARES。作者将ARES与三种最先进的评分方法（Rosetta、核糖核酸统计潜力和3dRNAscore）进行比较，以预测训练集中不存在的RNA结构模型。ARES能够实现约12Å的平均RMSD，而文献中的RSMD约为16Å。作者进一步测试了ARES的性能，将其预测的RNA模型提交给RNA-Puzzles结构预测挑战，ARES显示了卓越的准确性。鉴于其框架的一般形式及其预测的高准确性，这项工作为RNA预测的未来以及其他更复杂的分子结构的预测提供了启示。

减少量子机器学习中的量子比特预算

主成分分析（PCA）是一种无监督的机器学习算法，用于分解嵌入大数据集的复杂信息。在实践中，PCA通过寻找新的不相关的变量，即主成分（PC）来解释给定数据集的分布，然后将数据投射到由排名靠前的PC创建的空间上。这一过程降低了数据的维度，大大有助于高度多维数据的可视化和理解。PCA已被广泛应用于许多领域，包括生物学、医学、社会科学等等。

在数学上，PC是通过获得数据集协方差矩阵的最大特征向量来识别和计算的，这在计算上是很昂贵的，特别是在考虑大型高维数据集时。为了加快寻找最大特征向量的过程，早在2014年就提出了量子PCA（qPCA），它可以在量子计算机中实现。由于qPCA需要大量的量子比特（qubits），而这又受到目前量子计算机中噪声的限制，因此qPCA的真正实验仍然遥遥无期。在最近的一项工作中，王亚、杜江峰及其同事提出了一种新的算法--基于共振的量子主成分分析（RqPCA），以减少所需的量子比特数量，从而使在现有量子系统中进行实验成为可能。

在提出的算法中，作者引入了一个新的能量可调的探测量子比特来寻找PC，这有助于减少所需量子比特的总数。在以前的qPCA方法中，适应的量子相位估计算法需要大量的辅助量子比特（m）来实现高精度（精度比例为2-m）。在RqPCA中，寻找PC的过程是通过探针-寄存器耦合来实现的，通过频率扫描可以获得共振谱。获得的频谱可用于对PC进行排序，其中峰值的大小代表特征值的顺序。这个方案大大减少了量子比特的预算，这使得作者能够在目前可用的量子系统中实现，如钻石中的混合自旋量子比特。他们证明了RqPCA可以使PC的特征值达到2-10的高精度，这是从峰值位置的最大偏差来估计的。此外，为了最小化来自辅助探测量子比特的退相干误差的影响，作者进一步将RqPCA与动态退耦策略相结合，这使得他们能够在第一个主成分蒸馏中实现高保真度。鉴于人们对使用量子计算机进行机器学习算法的兴趣越来越大，这项工作允许未来在目前嘈杂的中等规模的量子计算机上实现qPCA，以寻求数据科学中的量子优势。

流动性数据作为流行病措施的表征

一项新的研究使用纵向流动数据来确定个人在COVID大流行中不同阶段的行为，阐明了流行病学家和政策制定者使用这类数据进行决策的优势和挑战。

用于模拟量子计算的张量网络收缩的高效并行化

作者开发了一个用于收缩张量网络的算法框架，并通过经典模拟以前被认为无法达到的规模的量子计算来证明其作用。我们的主要贡献是索引切片，这是一种通过将收缩分解成更小的、结构相同的子任务来有效并行化的方法，然后这些子任务可以无依赖性地并行执行。我们在一类随机量子电路上对我们的算法进行了基准测试，实现了比原来估计的仿真成本高105倍的速度。然后，我们展示了仿真框架的应用，以帮助开发量子算法和量子纠错。由于张量网络在计算科学中被广泛使用，我们的模拟框架可能会有更广泛的应用。

从手机移动数据和流形学习中洞察COVID-19大流行期间的人口行为

了解COVID-19大流行期间人类行为、疾病传播和非药物干预之间复杂的相互作用，可以提供有价值的观点，从而突出未来公共卫生工作的重点。手机移动数据提供了一个现代化的测量工具，以前所未有的规模调查人类的流动性和行为。我们调查了汇总的和匿名的流动性数据，这些数据衡量了从大流行开始，加利福尼亚、乔治亚州、德克萨斯州和华盛顿州的人口在人口普查组的地理范围内如何居家。使用流形学习技术，我们表明，低维嵌入能够识别流动行为的模式，这些模式与居家的命令相一致，与社会经济因素相关，在地理上聚集，揭示了可能迁出城市地区的亚人口，而且重要的是与COVID-19病例数相关。该分析和方法为当地流行病学家提供了一个解释流动数据和行为的框架，为政策制定者旨在遏制COVID-19传播的决策提供信息。

用深层弥散磁共振成像牵引法检测个体的微观结构偏差

大多数疾病的弥散磁共振成像研究依靠大量患者和健康参与者之间的统计比较来推断大脑中的组织状态改变；然而，临床异质性会极大地挑战其分辨能力。目前尚无法实现的是从群体比较方法转向能够检测个人层面组织状态改变的方法。这将最终实现对个体患者微观结构异常的早期检测和解释，是实现转化成像中个性化医疗的重要一步。为此，我们开发了Detect，以推进扩散磁共振成像测量法向病人个体分析发展。通过对白质通路的操作和学习规范的微观结构特征，我们的框架可以捕捉到白质通路上的特异性模式。我们的方法为从传统的基于群体的比较到真正的个体化放射学铺平了道路，实现微结构成像从实验室到临床的转化。

© nature

 Nature Computational Science

点击“阅读原文”了解更多

Nature Computational Science期刊及投稿详情

© 2021 Springer Nature Limited. All Rights Reserved