整合RNA语言模型与结构几何信息的RNA小分子结合位点预测

由 root 提交于 周四, 11/12/2026 - 02:47

内容形式:摘要译文

RNA 正日益成为具有前景的治疗靶标,小分子与 RNA 的结合能够调节其结构和功能,为治疗开发创造了机遇。因此,准确识别 RNA 小分子结合位点,对于理解 RNA-配体相互作用并推动 RNA 靶向药物发现至关重要。然而,RNA 结构复杂,且经实验表征的 RNA-配体复合物数量有限,这给计算结合位点预测带来了挑战。本研究提出 RSMBind,这是一种基于图注意力机制的深度学习框架,用于在核苷酸水平预测 RNA-小分子结合位点。该模型整合了局部三维环境的几何描述符与预训练 RNA 语言模型嵌入,以捕捉互补的结构和序列信息。我们研究了三种预训练 RNA 语言模型:RNA-BERT、ERNIE-RNA 和 RNA-FM,并通过特征层面的消融实验评估序列表征与几何特征的贡献。模型使用 TR60 和 HARIBOSS 数据集进行开发,并在四个独立基准数据集 RB9、TE18、TL12 和 JL10 上进行评估。在四个基准数据集中,RSMBind 有三个基准上的 MCC 高于所比较的方法;与此前报告的最佳结果相比,其在 RB9、TL12 和 JL10 上分别提升了 17.1%、7.2% 和 16.0%,在 TE18 上则表现出具有竞争力的性能。此外,仅使用预训练 RNA 语言模型嵌入时,RSMBind 仍保有预测能力,凸显了在无法获取显式三级结构特征时,这类嵌入的潜在价值。结构分析表明,模型在不同 RNA 结构区域的预测性能存在差异,其中

与位于茎区内的结合位点相比,与环区相关的结合位点通常能被更有效地识别。此外,对选定的 RNA–配体复合物开展的 100 ns 分子动力学模拟,揭示了预测结合概率与配体动态邻近性之间的关系,进一步凸显了构象动力学在评估基于结构的预测结果中的作用。源代码可在以下地址获取:[https://github.com/sharma-nandita/RSMBind]。

关键词:RNA小分子结合位点预测 · RNA语言模型 · 结构几何特征 · 图注意力网络 · RNA靶向药物发现

原文链接:https://www.biorxiv.org/content/10.64898/2026.11.10.765632v1?rss=1