[論文レビュー] Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction

Shuo Zhang, Yang Liu+1 more|arXiv (Cornell University)|Oct 28, 2022

RNA and protein synthesis mechanisms被引用数 6

ひとこと要約

この論文では、原子種類と座標のみを用いて構造的仮定を一切用いない物理的感度を持つマルチプレックスグラフニューラルネットワーク、PaxNetを提案する。PaxNetは二重グラフ表現を用いてRNA 3D構造内の局所的および非局所的相互作用を別々にモデル化し、アテンションベースの融合により相互作用寄与度を重み付けする。この手法は、構造的仮定を一切用いずに、アトムタイプと座標を活用することで、ARESを含む先行手法を著しく上回る最先端の性能を達成した。

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.

研究の動機と目的

• 構造的または物理的化学的仮定を原子種類と座標の範囲を超えて用いない、深層学習ベースのスコア関数を、RNA 3D構造予測に開発すること。
• 分子力学の原則にインspiredして、局所的および非局所的相互作用を明示的に分離し、モデル化することで、RNA 3D構造モデリングを改善すること。
• グラフニューラルネットワークフレームワーク内でのアテンションベースの統合モジュールにより、相互作用寄与度のエンドツーエンド学習を可能にすること。
• 標準化されたRNA構造予測ベンチマークにおいて、既存の最先端手法を上回る性能を示すこと。

提案手法

• PaxNetは、RNA 3D構造から二重プレックスマルチプレックスグラフを構築する：局所的相互作用（カットオフ距離 dₗ = 2.6 Å）用のプレックスと、グローバル相互作用（カットオフ距離 d₉ = 20 Å）用のプレックスを別々に構成し、原子種類と3次元座標のみを用いる。
• 各プレックスに対して幾何的情報を符号化するための別個のメッセージパッシングモジュールを採用し、エッジ特徴量を径方向基底関数（RBF）および球面基底関数（SBF）を用いて拡張することで相関を低減する。
• ノード特徴量は原子番号（Z）のトレーニング可能な埋め込みとして初期化され、メッセージパッシングには学習可能な重み行列と自己ゲーティング・シグモイド活性化関数を用いた多層パーセプトロン（MLP）が使用される。
• アテンションベースの統合モジュールにより、最終予測のための局所的およびグローバル相互作用表現の相対的重要性を学習する。
• モデルは、バッチサイズ8、隠れ次元16で、Adam最適化法を用い、スムーズL1損失関数により訓練される。
• アーキテクチャはPyTorchで実装され、RNA-Puzzlesベンチマークおよびアブレーションスタディーで評価された。

実験結果

リサーチクエスチョン

• RQ1 RNA 3D構造における局所的および非局所的相互作用を別々にモデル化するGNNは、既存手法よりも高い予測精度を達成できるか？
• RQ2 アテンションベースの統合機構は、RNA構造スコアリングのための異なる相互作用表現統合にどの程度効果的か？
• RQ3 構造的仮定（例：二次構造）の欠如が性能を制限するか？物理的感度を持つGNNはこの制限を克服できるか？
• RQ4 モデルの個々の構成要素（例：統合モジュール、グローバルメッセージパッシング）は、全体の性能にどのように寄与しているか？

主な発見

• PaxNetは、両ベンチマークデータセットにおいて、すべての最先端のベースラインを著しく上回り、ネアネイティブ順位付けタスクにおいて全RNAの幾何平均ランクが1.7を達成した。
• ベンチマーク1では、最良Nスコアリングモデル（N=1, 10, 100）において、2 Åおよび5 Åの閾値未満で最も頻繁に最低RMSDを達成した。
• ベンチマーク2では、10個の最良スコアリングモデルにおける中央値最小RMSDが最高であり、ARIESを除くすべてのベースラインを上回った。
• アブレーションスタディーでは、グローバルメッセージパッシングモジュールを削除すると性能が著しく低下し（幾何平均ランク79.9）、非局所的相互作用の重要性を強く示した。
• アテンションベースの統合モジュールは平均プーリングより性能を向上させ、統合なしのPaxNetでは幾何平均ランク2.1を記録した。
• モデルは高い効率性を示し、V100 GPU上で6034原子のRNAの推論が1モデルあたり10秒未満で実行された。