ORIGAMI：一种用于评估蛋白质复合物结构中多聚体界面的方向感知图神经网络

基于深度学习的蛋白质结构预测方法已经引发了计算结构生物学的范式转变，然而，如何可靠地评估计算预测的多聚体结构质量仍然是一项具有挑战性的任务。近期的一些方法表明，采用图神经网络评估蛋白质复合物的多聚体界面具有优势，但这些方法忽略了在三维蛋白质构象空间中天然存在的几何取向特征，并且仅作用于标量权重。 我们提出了 ORIGAMI，这是一种用于评估蛋白质复合物结构中多聚体界面的取向感知图神经网络。该方法同时利用标量和三维向量节点表征，在保持 SO(3)-等变性的同时执行具有对称性感知的几何操作，并通过捕捉蛋白质-蛋白质界面上残基之间细粒度的取向关系来估计界面局部距离差异检验（interface Local Distance Difference Test, iLDDT）评分。在多个关键结构预测评估（Critical Assessment of Structure Prediction, CASP）挑战赛轮次的目标数据上进行测试时，ORIGAMI 在多项界面质量评估基准中均取得了更优的性能，尤其是在扩展的 CASP16 界面层级评估中，以及与非等变和等变图神经网络基线模型的受控比较中表现出显著提升。该方法还展示了稳健的跨评价指标泛化能力：尽管其训练目标仅为估计无叠合的 iLDDT 评分，但仍能够高保真地复现基于叠合的 DockQ 评分。ORIGAMI 可在 https://github.com/Bhattacharya-Lab/ORIGAMI 免费获取。

基于深度学习的蛋白质结构预测方法已经引发了计算结构生物学中的范式转变，然而，如何可靠地评估计算预测得到的多聚体结构质量仍然具有挑战性。近期方法表明，采用图神经网络评估蛋白质复合物的多聚体界面具有优势，但这些方法忽略了天然存在于三维蛋白质构象空间中的几何取向特征，并且仅作用于标量权重。

我们提出了 ORIGAMI，这是一种用于评估蛋白质复合物结构中多聚体界面的取向感知图神经网络。该方法同时利用标量和三维向量节点表示，在保持 SO(3)-等变性的同时执行具备对称性感知的几何操作，通过捕捉蛋白质-蛋白质界面上残基之间细粒度的取向关系来估计界面局部距离差异检验（interface Local Distance Difference Test，iLDDT）评分。

在结构预测关键评估（Critical Assessment of Structure Prediction，CASP）挑战赛多轮次的目标上进行测试时，ORIGAMI 在多个界面质量评估基准上均取得了更优性能，尤其在扩展的 CASP16 界面层级评估中，以及与非等变和等变图神经网络基线方法的受控比较中表现出显著提升。尽管 ORIGAMI 仅被训练用于估计无需叠合的 iLDDT 评分，但它仍通过高保真地重现基于结构叠合的 DockQ 评分，展现出稳健的跨指标泛化能力。ORIGAMI 已在 https://github.com/Bhattacharya-Lab/ORIGAMI 免费开放。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.31.729128v1?rss=1

🏷️ 蛋白质复合物 结构质量评估 图神经网络 SO(3)等变性 多聚体界面 深度学习