J. Chem. Theory Comput. | 基于图学习的 RNA–蛋白复合物结构打分新方法

DRUGONE

RNA–蛋白复合物的结构预测在揭示基因调控与疾病机制中具有重要意义。然而，现有基于统计势能的打分函数在处理构象柔性方面表现不足。虽然卷积神经网络（CNN）已经在该领域展现潜力，但图深度学习在生物分子结构与功能预测任务中通常表现更佳。研究人员提出了 EGARPS+，一种基于等变图神经网络与注意力机制的 RNA–蛋白复合物打分算法。该方法结合了分子内和分子间模块，并引入了此前未被广泛利用的序列、结构及相互作用特征。EGARPS+ 在多个基准数据集上均优于 CNN 和传统方法，尤其在应对较大构象变化、小界面以及低结构相似性的复合物时表现突出。此外，该方法还能提高 RoseTTAFoldNA 与 AlphaFold3 等工具的预测效果。可解释性分析揭示了保守基序与氢键在 RNA–蛋白互作中的关键作用。

RNA 与蛋白质的相互作用在转录后调控、蛋白质合成等生命过程中扮演核心角色。这类互作的失调往往与遗传疾病、肿瘤等密切相关。解析 RNA–蛋白复合物结构，有助于揭示分子机制，但实验手段昂贵且耗时，导致已解析的结构数量有限。计算方法因而成为重要替代途径，其中分子对接由构象采样与打分两步组成，而打分函数的准确性直接决定了能否识别接近天然的结构。

传统打分方法主要分为两类：统计势能方法和机器学习方法。前者依赖已知复合物界面的统计规律，后者近年来引入深度学习，如 CNN 模型 DRPScore。但 CNN 仅使用有限的原子特征，无法充分表征界面特性。相比之下，图神经网络能够更好地处理生物大分子的空间关系，因此具有天然优势。基于此，研究人员设计了新一代图学习模型 EGARPS+，用于精确评估 RNA–蛋白复合物结构。

结果

EGARPS+ 框架设计

EGARPS+ 同时提取分子内与分子间特征：

• 分子内模块 结合等变图神经网络与循环单元，捕捉序列和结构模式。
• 分子间模块 利用注意力机制识别关键核苷酸–残基对，并综合几何与原子距离特征。

通过多层注意力池化，模型能够学习 RNA 与蛋白质在界面处的互补性和相互作用模式。

基准数据集性能评估

在三个测试集上，EGARPS+ 的表现均优于现有方法：

• 在 结合态数据集 上，Top 1 成功率达到 73.5%，显著高于 CNN 模型。
• 在 非结合态数据集 上，EGARPS+ 仍保持领先，尤其在更具挑战性的测试集中，唯一能在 Top 50 排名内稳定找到正确构象。
• 在预测误差（iRMSD）分布上，EGARPS+ 的中位数普遍低于 5 Å，显示出更高精度。

与现有方法的比较优势

EGARPS+ 的优势主要体现在三方面：

• 对构象变化更具耐受性：即使在存在较大柔性或同源建模结构的情况下，依然能成功识别接近天然的复合物。
• 界面大小敏感性更低：在小界面复合物中表现尤为突出，而其他方法往往失败。
• 泛化能力更强：在低结构相似性的复杂样本中，仍能保持较高成功率。

在“折叠后对接”策略中的应用

研究人员测试了使用预测 RNA 与蛋白质结构进行对接的情境。结果显示，EGARPS+ 虽在 Top 1 成功率上略逊于部分统计方法，但在 Top 5 至 Top 500 范围内显著优于所有对照，体现了其在结构质量较差时的鲁棒性。

提升 de novo 预测准确性

当 EGARPS+ 用于重新排序 RoseTTAFoldNA 和 AlphaFold3 生成的候选结构时，能够有效挑选出更接近天然的构象，显示其在实际结构预测流程中的实用价值。

可解释性与消融实验

注意力机制分析表明：

• 在序列保守区域，模型更重视序列特征；在缺乏保守基序时，则依赖结构信息。
• 对氢键供体/受体的残基和核苷酸赋予更高权重，突出氢键在界面稳定性中的作用。

消融实验进一步验证了各模块与特征的重要性，其中序列特征和分子内模块对性能贡献最大。

讨论

EGARPS+ 展示了图学习方法在 RNA–蛋白复合物打分中的强大潜力。与传统势能方法相比，它能够更好地处理柔性和复杂界面；与 CNN 模型相比，则在特征表达与预测准确性上均有显著优势。

该方法的亮点包括：

• 模块化设计：分子内与分子间模块协同工作，捕捉不同层次的信息。
• 可扩展性：适用于大规模计算，单个上千原子规模的复合物也能在分钟级完成推理。
• 可解释性：能够揭示保守基序与氢键在互作中的作用机制。

研究人员指出，现有模型主要关注界面区域，而未充分利用非界面信息。未来若能结合完整复合物的全局特征，或将进一步提升预测性能。

总体而言，EGARPS+ 提供了一种高效、可解释且具有广泛适用性的 RNA–蛋白复合物结构打分工具，为深入理解 RNA–蛋白互作机制和推动结构预测研究提供了新思路。

整理 | DrugOne团队

参考资料

Jiang, Zheng, Ye Zhang, Guipu Yang, and Rong Liu. "Graph Learning-Based Scoring of RNA–Protein Complex Structures." Journal of Chemical Theory and Computation (2025).

内容为【DrugOne】公众号原创｜转载请注明来源