用于精确 RNA 三维结构预测的物理学感知图神经网络
机器学习
2023-07-25 v2 生物大分子
定量方法
摘要
RNA 的生物学功能由其三维（3D）结构决定。因此，鉴于实验确定的 RNA 结构数量有限，RNA 结构的预测将有助于阐明 RNA 功能及 RNA 靶向药物发现，但这仍是一项具有挑战性的任务。在本工作中，我们提出了一种基于图神经网络（GNN）的评分函数，仅利用有限已解析 RNA 3D 结构上的原子类型和坐标进行训练，以区分准确的结构模型。所提出的物理学感知多重图神经网络（PaxNet）受分子力学启发，分别建模局部和非局部相互作用。此外，PaxNet 包含一个基于注意力的融合模块，学习每种相互作用类型对最终预测的个体贡献。我们在两个基准上严格评估了 PaxNet 的性能，并与若干最先进的基线进行比较。结果表明，PaxNet 总体上显著优于所有基线，并展示了 PaxNet 在改进 RNA 及其他大分子的 3D 结构建模方面的潜力。我们的代码可在 https://github.com/zetayue/Physics-aware-Multiplex-GNN 获取。
引用
@article{arxiv.2210.16392,
title = {Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction},
author = {Shuo Zhang and Yang Liu and Lei Xie},
journal= {arXiv preprint arXiv:2210.16392},
year = {2023}
}
备注
Accepted by the Machine Learning for Structural Biology Workshop (MLSB) at the 36th Conference on Neural Information Processing Systems (NeurIPS 2022)