基于几何图 U-Net 的多尺度蛋白质结构建模
机器学习
2025-12-09 v1
摘要
几何图神经网络（GNN）和 Transformer 已成为从3D蛋白质结构中学习的前沿方法。然而，它们依赖消息传递，无法捕捉支配蛋白质功能的层次性相互作用，如全局域和长程异构调控。本文认为，网络架构本身应镜像这种生物学层次结构。我们引入几何图 U-Net，一种新型模型，通过递归细化和粗化蛋白质图来学习多尺度表示。我们证明，这种层次化设计在理论上比标准几何 GNN 更具表达能力。实验方面，在蛋白质折叠分类任务上，几何 U-Net 在不变和等变基线上显著超越，展示了其学习定义蛋白质折叠的全局结构模式的能力。我们的工作为设计能够学习生分子多尺度结构的几何深度学习架构提供了原则性基础。
引用
@article{arxiv.2512.06752,
title = {Multi-Scale Protein Structure Modelling with Geometric Graph U-Nets},
author = {Chang Liu and Vivian Li and Linus Leong and Vladimir Radenkovic and Pietro Liò and Chaitanya K. Joshi},
journal= {arXiv preprint arXiv:2512.06752},
year = {2025}
}
备注
Presented at Machine Learning in Structural Biology, 2025. Open-source code: https://github.com/VirtualProteins/GNN_UNet