[论文解读] NodeCoder: a graph-based machine learning platform to predict active sites of modeled protein structures

Nasim Abdollahi, Seyed Ali Madani Tonekaboni+3 more|arXiv (Cornell University)|Feb 7, 2023

Computational Drug Discovery Methods被引用 7

一句话总结

NodeCoder 是一种基于图的机器学习平台，通过将残基级数据映射到 AlphaFold2 预测的三维结构上，将其编码为接触网络，并应用图卷积网络（GCNs）进行残基分类，从而预测功能性蛋白位点。它在配体结合位点预测方面优于 P2Rank，并使用单一可重用框架支持六种不同的功能任务。

ABSTRACT

While accurate protein structure predictions are now available for nearly every observed protein sequence, predicted structures lack much of the functional context offered by experimental structure determination. We address this gap with NodeCoder, a task-independent platform that maps residue-based datasets onto 3D protein structures, embeds the resulting structural feature into a contact network, and models residue classification tasks with a Graph Convolutional Network (GCN). We demonstrate the versatility of this strategy by modeling six separate tasks, with some labels derived from other experimental structure studies (ligand, peptide, ion, and nucleic acid binding sites) and other labels derived from annotation databases (post-translational modification and transmembrane regions). Moreover, A NodeCoder model trained to identify ligand binding site residues was able to outperform P2Rank, a widely-used software developed specifically for ligand binding site detection. NodeCoder is available as an open-source python package at https://pypi.org/project/NodeCoder/.

研究动机与目标

• 为解决像 AlphaFold2 这类高精度预测蛋白结构中缺乏功能上下文的问题。
• 开发一种统一的、与任务无关的框架，用于在建模的蛋白结构上预测多种功能位点（例如配体、离子、翻译后修饰、跨膜区域）。
• 通过利用结构拓扑和生物物理特征，在无需高分辨率实验结构的情况下实现准确的残基分类。
• 创建一个可扩展的开源平台，支持超越配体结合位点预测的多样化计算生物学应用。

提出的方法

• 将残基级标签（例如来自 PDB 或注释数据库）映射到 AlphaFold2 预测的三维蛋白结构上。
• 构建残基接触网络，其中每个残基为一个节点，边表示残基之间的空间邻近性（距离在 5Å 以内）。
• 为每个残基计算生物物理特征（例如溶剂可及性、疏水性、静电势），并将其嵌入节点特征向量中。
• 应用多层图卷积网络（GCN）从接触图中学习分层表示，激活函数使用 ELU 和 LogSoftMax。
• 使用交叉熵损失通过 Adam 优化器进行 GCN 训练，固定初始学习率为 0.01，并基于 10,000 个周期内的 PR AUC 选择最佳模型。
• 在包含 3,823 个蛋白的人类蛋白质组数据集上进行 5 折交叉验证，排除无功能注释的蛋白以避免类别不平衡偏差。

Figure 1 : Schematic representation of NodeCoder platform based on a graph convolutional network model that embeds representation of an AlphaFold2 predicted protein structure and performs residue classification tasks. The protein residue graph is constructed from its 3D structure, where nodes corres

实验结果

研究问题

• RQ1 一个单一的、可泛化的基于图的深度学习框架是否能有效预测预测蛋白结构上的多种功能位点，而无需依赖实验性的高分辨率数据？
• RQ2 NodeCoder 在预测 AlphaFold2 预测结构上的配体结合位点时，性能与 P2Rank 等专用工具相比如何？
• RQ3 统一的 GCN 架构在诸如翻译后修饰、跨膜区域和金属离子结合位点等不同功能任务上的泛化能力如何？
• RQ4 该模型在功能位点预测任务中对类别不平衡的鲁棒性如何？在这些场景下，哪种评估指标最能反映性能？

主要发现

• 与广泛使用的专用工具 P2Rank 相比，NodeCoder 在配体结合位点预测方面表现出更优性能，证明了其可泛化的 GCN 方法的有效性。
• 该模型在六项不同的功能任务中均实现了高精度和高召回率，包括配体、肽、离子、核酸、翻译后修饰和跨膜区域预测。
• 通过使用接触网络抽象，模型能够有效捕捉结构拓扑信息，即使在 AlphaFold2 预测中侧链构象不够准确时亦然。
• 交叉验证结果显示五折结果表现一致，PR AUC 作为主要指标用于评估模型的鲁棒性和泛化能力。
• 该框架成功结合生物物理特征与图卷积，有效建模了对功能位点预测至关重要的复杂长程残基相互作用。
• 通过 PyPI 和 GitHub 开源发布 NodeCoder，使其能够广泛采用并拓展至计算生物学和药物发现中的新预测任务。

Figure 2 : Left: ROC AUC for two classification tasks, (a) ligand binding site and (b) metal ion binding site, each generated by five separate models at varying distance thresholds for the protein contact network ( $5\textrm{\AA}$ , $8\textrm{\AA}$ , $10\textrm{\AA}$ , $12\textrm{\AA}$ , and $14\tex