α-HMM: RNA 折叠的图形模型
内容提要
本文汇总了多项序列建模研究：E2Efold实现端到端RNA二级结构预测并强制约束，性能超越此前SOTA；RNAformer利用轴向注意力与潜变量循环在TS0上达到SOTA；双向LSTM模型改进蛋白质二级结构预测；cloned HMM以稀疏结构高效学习变长序列；此外还涉及大规模HMM精确推断、RNA三级结构建模、VHEM聚类HMM、故事脚本HMM推理、缺失位置未知下的HMM学习及HQMM参数学习算法。
延伸解读
RNA二级结构预测的两条技术路线
文章对比了E2Efold与RNAformer两种RNA二级结构预测方法。E2Efold采用端到端深度学习，通过约束规划强制实施结构约束，在伪结节预测上显著改进且推断速度不慢于最快算法；RNAformer则基于轴向注意力和潜变量循环，在TS0基准上达到SOTA，并实验证明能学习RNA折叠的生物物理模型。两者分别从约束满足与注意力机制切入，反映了该领域对精度与生物可解释性的双重追求。
HMM的规模化与稀疏化改进
针对传统HMM在大规模状态空间中的推断难题，文章收录了两项改进：cloned HMM通过稀疏结构高效学习变长序列，超越n-gram、序列记忆器和RNN；另一项工作提出快速精确推断、紧凑参数化与有效规范化方法，实验证明比之前的HMM和n-gram更准确。这些进展表明，HMM并未因神经模型的兴起而失效，而是通过结构稀疏化和推断算法优化继续拓展适用边界。
HMM在缺失数据与聚类任务中的扩展
文章展示了HMM在非标准场景下的适应性。VHEM算法将HMM集合聚类为相似组，改善鲁棒性并减少学习时间与内存；针对缺失数据位置未知的问题，作者提出生成缺失位置的通用模型及两种学习算法，并在模型错误规格化下评估重建精度与鲁棒性；故事脚本框架则用HMM形式化事件推理，有效预测缺失事件。这些工作共同说明HMM框架可通过扩展应对数据不完整与模型选择等实际挑战。
Q&A
E2Efold 模型在 RNA 二级结构预测中有什么优势？
E2Efold 是一个端到端的深度学习模型，通过约束规划的未卷积算法强制实施 RNA 折叠的固有约束。实验表明，它相比之前的 SOTA 有显著性能提升，尤其对伪结节结构的预测改进明显，且推断时间不慢于最快的算法。
RNAformer 模型是如何实现 RNA 二级结构预测的突破的？
RNAformer 基于轴向注意力和潜变量空间循环利用，在 TS0 基准数据集上实现了最先进的性能，超越了使用外部信息的方法，并且实验证明它能学习到 RNA 折叠过程的生物物理模型。
cloned HMM 是什么？它有什么特点？
cloned HMM 是一种具有稀疏结构的隐马尔可夫模型，能够高效地学习变化顺序序列并处理不确定性，其性能超越了 n-gram、序列记忆器和 RNN 等方法。
如何对大规模隐马尔可夫模型进行精确推断？
一项研究重新探讨了使用神经模型方法实现 HMM 规模化的挑战，提出了一种方法在大规模状态空间中快速有效地进行精确推断、紧凑参数化和有效规范化，实验证明比之前的 HMM 和 n-gram 方法更准确。
VHEM 算法是用来做什么的？它有什么好处？
VHEM（变分分层 EM）算法用于对 HMM 进行聚类，将给定的 HMM 集合聚类成相似的组，并用集群中的 HMM 表示集群。它能改善模型鲁棒性、减少学习时间和内存需求。
当不知道缺失数据的位置时，如何学习隐马尔可夫模型？
针对缺失数据位置未知的问题，作者提出了一种生成缺失数据位置的通用模型，并给出了两种学习算法：（半）解析方法和 Gibbs 采样。评估表明这些算法在模型错误规格化下具有重建精度和鲁棒性。
