비-B DNA 구조 예측을 위한 생성 모델

초록 동기 깊은 학습 방법이 비-B DNA 구조 예측 작업에 성공적으로 적용되었지만, 모델 성능은 훈련을 위한 실험 데이터의 가용성에 따라 달라집니다. 비-B DNA 구조 감지를 위한 실험 기술은 실험 시점에 활성화된 하위 집합으로 제한되며 전체 기능적 요소 집합을 감지할 수 없습니다. 최근 깊은 생성 모델이 데이터 증강 접근법에서 유망한 결과를 보여주며 증강된 실제 및 생성된 데이터에 대해 훈련된 분류기 성능을 개선했습니다. 여기에서는 확산 모델의 성능을 다른 생성 모델과 비교하고 비-B DNA 구조 예측 작업을 위한 데이터 증강 접근법을 탐색하는 것을 목표로 했습니다. 결과 우리는 Z-DNA, G-쿼드러플렉스 및 H-DNA 감지 개선 작업을 위해 디노이징 확산 확률적 모델(DDPM 및 DDIM), 워서스타인 생성적 적대 신경망(WGAN), 벡터 양자화 변형 오토인코더(VQ-VAE)를 테스트했습니다. 우리는 데이터 증강이 분류기의 품질을 증가시켰으며, 확산 모델이 Z-DNA 및 H-DNA에 가장 적합하고 WGAN이 G4에 더 잘 작동함을 보여주었습니다. 확산 모델은 모든 유형의 비-B DNA 구조의 다양성에서 가장 뛰어나며, WGAN은 G-쿼드러플렉스 및 H-DNA에 대한 최고의 참신함을 생성했습니다. 확산 모델은 상당한 자원을 필요로 하므로, 우리는 증류 기술이 확산 모델 훈련의 샘플링을 크게 향상시킬 수 있음을 보여주었습니다. 생성된 샘플의 품질, 샘플링 속도, 다양성의 세 가지 기준을 고려할 때, 우리는 생성 확산 모델과 WGAN 및 VQ-VAE와 같은 다른 아키텍처 간에 트레이드오프가 가능하다고 결론지었습니다. 가용성 수행된 실험 코드는 https://github.com/powidla/nonB-DNA-structures-generation 에서 자유롭게 이용할 수 있습니다. 연락처 mpoptsova@hse.ru 보충 정보 보충 데이터는 저널 이름 온라인에서 이용 가능합니다.