[论文解读] 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 6

一句话总结

该论文提出PaxNet，一种物理感知的多路图神经网络，通过双路图表示分别建模RNA三维结构中的局部与非局部相互作用，并采用基于注意力的融合机制来权衡相互作用的贡献。该方法在RNA三维结构预测基准测试中达到最先进性能，显著优于先前方法（包括ARES），且仅依赖原子类型和坐标信息，无需结构先验。

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.

研究动机与目标

• 开发一种基于深度学习的RNA三维结构预测打分函数，其假设仅限于原子类型和坐标，不依赖于结构或物理化学假设。
• 通过显式分离并建模局部与非局部相互作用，借鉴分子力学原理，提升RNA三维结构建模性能。
• 在图神经网络框架中，通过基于注意力的融合模块实现相互作用贡献的端到端学习。
• 在标准化的RNA结构预测基准测试中，证明其性能优于现有最先进方法。

提出的方法

• PaxNet从RNA三维结构构建双路多路图：一路用于局部相互作用（截断距离dₗ = 2.6 Å），另一路用于全局相互作用（截断距离d₉ = 20 Å），仅使用原子类型和三维坐标。
• 为每一路采用独立的消息传递模块以编码几何信息，通过径向基函数（RBF）和球谐基函数（SBF）扩展边特征，以降低相关性。
• 节点特征初始化为原子序数（Z）的可学习嵌入，消息传递使用可学习权重矩阵和带自门控Swish激活函数的多层感知机（MLP）。
• 基于注意力的融合模块学习局部与全局相互作用表征的相对重要性，用于最终预测。
• 模型通过平滑L1损失进行训练，使用Adam优化器，批量大小为8，隐藏维度为16。
• 该架构在PyTorch中实现，并在RNA-Puzzles基准和消融研究中进行评估。

实验结果

研究问题

• RQ1 一种分别建模RNA三维结构中局部与非局部相互作用的图神经网络，是否能比现有方法获得更高的预测精度？
• RQ2 基于注意力的融合机制在整合不同相互作用表征用于RNA结构打分方面，效果如何？
• RQ3 缺乏结构先验（如二级结构）是否限制性能？物理启发的图神经网络能否克服这一限制？
• RQ4 模型的各个组件（如融合模块或全局消息传递）对整体性能的贡献如何？

主要发现

• PaxNet在两个基准数据集上均显著优于所有最先进基线方法，在近天然构象排名任务中，所有RNA的几何平均排名达到1.7。
• 在基准1中，PaxNet在最佳N个打分模型中（N=1, 10, 100）更频繁地实现最低RMSD，尤其在低于2 Å和5 Å阈值时表现突出。
• 在基准2中，PaxNet在最佳10个打分模型中实现了最低的中位数最小RMSD，优于所有基线方法，仅略逊于ARES。
• 消融研究显示，若移除全局消息传递模块，性能急剧下降（几何平均排名达79.9），凸显非局部相互作用的关键作用。
• 基于注意力的融合模块优于平均池化，PaxNet若无融合模块，几何平均排名为2.1，性能下降。
• 该模型表现出强大效率，单个V100 GPU上对6034个原子的RNA进行推理耗时不足10秒。