DualEquiNet：用于大型生物分子的双空间层次等距网络
生物大分子
2025-06-26 v1 人工智能
机器学习
摘要
遵循 E(3) 对称性的几何图神经网络（GNN）在小分子建模中取得了强大的性能，但在应用于大型生物分子如 RNA 和蛋白质时面临可扩展性和表达性挑战。这些系统需要能够同时捕获细粒度原子相互作用、跨越 spatially 远距离组件的长程依赖，以及如原子形成残基、残基进而形成更高阶域等生物学相关的层次结构。现有的几何 GNN 通常仅在欧几里得空间或球面调和函数空间中运行，难以捕获用于建模大型生物分子所需的细尺度原子细节和长程、对称感知依赖。我们引入 DualEquiNet，一种双空间层次等距网络，通过在欧几里得空间和球面调和函数空间中构建互补表示来捕获局部几何和全局对称感知特征。DualEquiNet 采用双向跨空间消息传递和一种新颖的跨空间交互池化机制，以层次方式聚合原子特征到生物学有意义的单元（如残基），从而实现对大型生物分子系统的高效且富有表现力的多尺度建模。DualEquiNet 在多个现有 RNA 属性预测和蛋白质建模基准测试上实现了最先进的性能，并在两个全新引入的 3D 结构基准测试上超越了先前方法，展示了其在大范围生物分子建模任务中的广泛有效性。
引用
@article{arxiv.2506.19862,
title = {DualEquiNet: A Dual-Space Hierarchical Equivariant Network for Large Biomolecules},
author = {Junjie Xu and Jiahao Zhang and Mangal Prakash and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2506.19862},
year = {2025}
}