跳到正文
bioRxiv 生物信息学· Sharma, N., Mitra, P. ·· 8 天前AI 评分47

RSMBind:整合RNA语言模型与结构几何预测RNA小分子结合位点(bioRxiv预印本)

RNA Small-Molecule Binding-Site Prediction by Integrating RNA Language Models and Structural Geometry

AI 导读

bioRxiv预印本提出图注意力深度学习框架RSMBind,在核苷酸水平预测RNA小分子结合位点,整合局部三维环境几何描述符与预训练RNA语言模型嵌入。模型基于TR60和HARIBOSS数据集开发,在RB9、TL12、JL10三个基准上MCC均为最高,较此前最佳结果分别相对提升17.1%、7.2%和16.0%,TE18上表现相当。

AI 深度导读基于原文整理的分节解读
背景
RNA 正被作为治疗靶点探索,小分子结合可改变其结构与功能,但 RNA 结构复杂、实验解析的 RNA-配体复合物有限,使计算预测结合位点困难。
做法
作者提出 RSMBind,一个基于图注意力的深度学习框架,在核苷酸水平预测 RNA-小分子结合位点。模型把局部三维环境的几何描述符与预训练 RNA 语言模型嵌入结合;比较了 RNA-BERT、ERNIE-RNA、RNA-FM 三种语言模型,并通过特征层面消融评估序列表示与几何特征的贡献。模型在 TR60 和 HARIBOSS 数据集上开发,在 RB9、TE18、TL12、JL10 四个独立基准上评估。
结论
RSMBind 在四个基准中三个上取得对比方法中最高的 MCC,相对此前最佳结果在 RB9 提升 17.1%、TL12 提升 7.2%、JL10 提升 16.0%,在 TE18 上表现相当。仅用预训练 RNA 语言模型嵌入时模型仍保留预测能力。结构分析显示不同结构区域的预测表现存在差异,loop 相关结合位点通常比 stem 区域内的位点更容易被捕捉;对选定 RNA-配体复合物的 100 ns 分子动力学模拟提示预测结合概率与配体动态邻近性之间的关系。
意义
结果说明几何特征与语言模型嵌入可互补,且在没有明确三级结构特征时语言模型嵌入仍有使用价值。预测表现随 RNA 结构区域变化,构象动态也是评估基于结构的预测时需要考虑的因素;代码已公开。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

来源:bioRxiv 生物信息学 · biorxiv.org