[논문 리뷰] Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction

Shuo Zhang, Yang Liu외 1명|arXiv (Cornell University)|2022. 10. 28.

RNA and protein synthesis mechanisms인용 수 6

한 줄 요약

이 논문은 원자 유형과 좌표를 기반으로 구조적 사전 지식 없이, 로컬 및 비로컬 상호작용을 별도로 모델링하는 물리적 인식이 가능한 다중 그래프 신경망인 PaxNet을 제안한다. 이는 이중 플렉스 그래프 표현을 사용하며, 상호작용 기여도를 가중치로 평가하기 위해 주목적 기반 융합을 적용한다. PaxNet는 기존의 ARES를 포함한 모든 기존 방법보다 뛰어난 성능을 보이며, RNA 3D 구조 예측 벤치마크에서 최신 기술 수준을 확립한다.

ABSTRACT

Biological functions of RNAs are determined by their three-dimensional (3D) structures. Thus, given the limited number of experimentally determined RNA structures, the prediction of RNA structures will facilitate elucidating RNA functions and RNA-targeted drug discovery, but remains a challenging task. In this work, we propose a Graph Neural Network (GNN)-based scoring function trained only with the atomic types and coordinates on limited solved RNA 3D structures for distinguishing accurate structural models. The proposed Physics-aware Multiplex Graph Neural Network (PaxNet) separately models the local and non-local interactions inspired by molecular mechanics. Furthermore, PaxNet contains an attention-based fusion module that learns the individual contribution of each interaction type for the final prediction. We rigorously evaluate the performance of PaxNet on two benchmarks and compare it with several state-of-the-art baselines. The results show that PaxNet significantly outperforms all the baselines overall, and demonstrate the potential of PaxNet for improving the 3D structure modeling of RNA and other macromolecules. Our code is available at https://github.com/zetayue/Physics-aware-Multiplex-GNN.

연구 동기 및 목표

• 원자 유형과 좌표 이외의 구조적 또는 물리화학적 가정을 포함하지 않는 딥 러닝 기반 스코어링 함수를 개발하여 RNA 3D 구조 예측을 수행하는 것.
• 분자의 기계학 원리에 영감을 받아, 로컬 및 비로컬 상호작용을 명시적으로 분리하고 모델링하여 RNA 3D 구조 모델링을 향상시키는 것.
• 그래프 신경망 아키텍처 프레임워크 내에서 주목적 기반 융합 모듈을 통해 상호작용 기여도를 엔드 투 엔드로 학습하는 것.
• 표준화된 RNA 구조 예측 벤치마크에서 기존 최신 기술 수준의 방법들보다 뛰어난 성능을 입증하는 것.

제안 방법

• PaxNet는 RNA 3D 구조에서 두 플렉스로 구성된 다중 그래프를 구성한다: 하나는 로컬 상호작용(절단 거리 dₗ = 2.6 Å)을 위한 것이고, 다른 하나는 전역 상호작용(절단 거리 d₉ = 20 Å)을 위한 것이다. 이는 오직 원자 유형과 3D 좌표만을 사용한다.
• 각 플렉스에 대해 기하학적 정보를 인코딩하기 위해 별도의 메시지 전파 모듈을 사용하며, 간섭을 줄이기 위해 반경 기반 함수(RBF)와 구면 기반 함수(SBF)를 활용해 엣지 특징을 확장한다.
• 노드 특징는 원자 번호(Z)의 학습 가능한 임bedding으로 초기화되며, 메시지 전파에는 학습 가능한 가중치 행렬과 자기 게이팅된 Swish 활성화 함수를 갖는 다층 퍼셉트론(MLP)을 사용한다.
• 주목적 기반 융합 모듈은 최종 예측을 위해 로컬 및 전역 상호작용 표현의 상대적 중요도를 학습한다.
• 모델은 배치 크기가 8이고 은닉 차원이 16인 Adam 옵timizer를 사용하여 smooth L1 손실로 훈련된다.
• 아키텍처는 PyTorch로 구현되었으며, RNA-Puzzles 벤치마크와 아브레이션 연구에서 평가되었다.

실험 결과

연구 질문

• RQ1 로컬 및 비로컬 상호작용을 별도로 모델링하는 GNN이 기존 방법보다 더 높은 예측 정확도를 달성할 수 있는가?
• RQ2 주목적 기반 융합 메커니즘은 RNA 구조 스코어링을 위한 별개의 상호작용 표현을 통합하는 데 얼마나 효과적인가?
• RQ3 구조적 사전 지식(예: 2차 구조)이 없는 경우 성능에 제한이 생기며, 물리학에 기반한 GNN이 이를 극복할 수 있는가?
• RQ4 모델의 개별 구성 요소(예: 융합 모듈 또는 전역 메시지 전파)가 전체 성능에 기여하는 방식은 어떠한가?

주요 결과

• PaxNet는 두 벤치마크 데이터셋에서 모두 최신 기술 수준의 모든 베이스라인을 압도적으로 뛰어넘으며, 근접한 천연 상태 랭킹 작업에서 모든 RNA에 대해 기하 평균 순위 1.7을 기록한다.
• 벤치마크 1에서 PaxNet는 최상의 N개 스코어링 모델(N=1, 10, 100) 중에서 가장 낮은 RMSD를 자주 기록했으며, 특히 2 Å 및 5 Å 이하의 임계값에서 두드러진 성능을 보였다.
• 벤치마크 2에서 PaxNet는 최상의 10개 모델 중에서 가장 낮은 중앙값 최소 RMSD를 기록했으며, ARES를 제외한 모든 베이스라인을 뛰어넘었다.
• 아브레이션 연구 결과, 전역 메시지 전파 모듈을 제거하면 성능이 극적으로 악화되며(기하 평균 순위 79.9), 이는 비로컬 상호작용의 핵심적인 역할을 확인한다.
• 주목적 기반 융합 모듈은 평균 풀링보다 성능을 향상시키며, 융합 기능이 없는 PaxNet는 기하 평균 순위 2.1을 기록했다.
• 모델는 높은 효율성을 보이며, V100 GPU에서 6034개 원자를 가진 RNA에 대한 추론이 한 모델당 10초 미만으로 수행된다.