南京大学学报(自然科学版) ›› 2022, Vol. 58 ›› Issue (3): 369–376.doi: 10.13232/j.cnki.jnju.2022.03.001

• •    下一篇

基于深度卷积神经网络的RNA三维结构打分函数

杜渊洋1,2, 邓成伟1,2, 张建1,2()   

  1. 1.南京大学物理学院，南京，210093
    2.人工微结构科学与技术协同创新中心，南京，210093
  • 收稿日期:2022-03-09 出版日期:2022-05-30 发布日期:2022-06-07
  • 通讯作者: 张建 E-mail:jzhang@nju.edu.cn
  • 基金资助:
    国家自然科学基金(11774158)

An RNA tertiary structure scoring function based on deep neural network

Yuanyang Du1,2, Chengwei Deng1,2, Jian Zhang1,2()   

  1. 1.School of Physics, Nanjing University, Nanjing, 210093, China
    2.Collaborative Innovation Center of Advanced Microstructures, Nanjing, 210093, China
  • Received:2022-03-09 Online:2022-05-30 Published:2022-06-07
  • Contact: Jian Zhang E-mail:jzhang@nju.edu.cn

RichHTML

1012

PDF (PC)

825

摘要：

非编码RNA的三维结构对于人们理解和干预其生物功能具有重要的意义，从计算的角度发展RNA结构预测方法可以加速结构获取过程，对三维结构进行评分是进行结构预测的关键步骤.近年来，基于机器学习的方法，如AlphaFold2，已在分子结构预测领域取得了革命性的进展.基于深度卷积神经网络，建立了一个对RNA三维结构进行评估的方法.为了训练这一网络，建立了一个非冗余的含有422个RNA以及126600个decoys结构的数据集.训练得到的模型在RNA?Puzzles数据集上进行了测试，结果表明，在28个RNA中，网络从众多decoys中挑选出实验结构的正确率约为71.4%，这一结果比之前有所提高.另外，还对网络的工作机制进行了分析，发现神经网络对结构评分的倾向性和已知的物理化学知识相一致.

关键词: RNA结构预测, 打分函数, 卷积神经网络, 深度学习, 机器学习

Abstract:

It is essential to acquire RNA tertiary structures for understanding and intervening their biological functions which accelerate the development of computational structure prediction. One of the key steps is to evaluate the quality of the structural candidates. Recently，approaches based on machine learning，such as AlphaFold2，have achieved revolutionary progress in protein structure prediction. In this study，we develop an RNA structure scoring function based on deep convolutional neural network. We also build a training dataset including 422 non?redundant RNAs and 126600 associated decoys. We test the trained model on the RNA?Puzzles dataset. The results show that，among 28 RNAs，the model correctly identify experimental structures out of decoys with a ratio of 71.4%，superior to our previous model. Furthermore，we analyze the underlying mechanism of the neural network,finding that the way it scores the structural elements is consistent with known physical?chemical principles.

Key words: RNA structure prediction, scoring function, convolutional neural network, deep learning, machine learning

中图分类号: 

  • Q615

图1

用于RNA三维结构评分的深度卷积神经网络架构"

图2

训练过程中Loss随轮数的下降曲线"

表1

深度卷积神经网络对RNA?Puzzles数据集中候选结构（decoys）进行评分的结果"

序号原模型改进模型decoys链长
rp01111546
rp022113100
rp03311384
rp0452231126
rp051126188
rp061135168
rp071152185
rp08114396
rp09-83571
rp105127171
rp11-385557
rp121149125
rp13114771
rp14⁃Bound136261
rp14⁃Free115361
rp15116568
rp17117062
rp18115371
rp19315562
rp20-34168
rp21113141
rp22-261164
rp23-73637
rp24-191112
rp25-15069
rp26-168141
rp27-3868245
rp28-173175

图3

RNA结构的RMSD和网络评分的关系图."

图4

(a) RNA 1i6u的实验结构(为便于讨论，标记了若干残基位置)；(b) 网络给出的评分和RMSD的关系图(每个点代表一个RNA结构)"

图5

网络对RNA的评分和结构参数之间的关系"

1 Mercer T R， Dinger M E， Mattick J S. Long non?coding RNAs：Insights into functions. Nature Reviews Genetics，2009，10(3)：155-159.
2 Geisler S， Coller J. RNA in unexpected places：Long non?coding RNA functions in diverse cellular contexts. Nature Reviews Molecular Cell Biology，2013，14(11)：699-712.
3 Cech T R， Steitz J A. The noncoding RNA revolution?trashing old rules to forge new ones. Cell，2014，157(1)：77-94.
4 Chen S J. RNA folding：Conformational statistics，folding kinetics，and ion electrostatics. Annual Review of Biophysics，2008(37)：197-214.
5 Sun L Z， Zhang D， Chen S J. Theory and modeling of RNA structure and interactions with metal ions and small molecules. Annual Review of Biophysics，2017(46)：227-246.
6 ?poner J， Bussi G， Krepl M，et al. RNA structural dynamics as captured by molecular simulations：A comprehensive overview. Chemical Reviews，2018，118(8)：4177-4338.
7 Dans P D， Gallego D， Balaceanu A，et al. Modeling，simulations，and bioinformatics at the service of RNA structure. Chem，2019，5(1)：51-73.
8 Shi Y Z， Wu Y Y， Wang F H，et al. RNA structure prediction：Progress and perspective. Chinese Physics B，2014，23(7)：078701.
9 Wang J， Zhao Y J， Zhu C Y，et al. 3dRNAscore：A distance and torsion angle dependent evaluation function of 3D RNA structures. Nucleic Acids Research，2015，43(10)：e63.
10 Wang J， Mao K K， Zhao Y J，et al. Optimization of RNA 3D structure prediction using evolutionary restraints of nucleotide–nucleotide interactions from direct coupling analysis. Nucleic Acids Research，2017，45(11)：6299-6309.
11 Zhao Y J， Huang Y Y， Gong Z，et al. Automated and fast building of three?dimensional RNA structures. Scientific Reports，2012(2)：734.
12 Tan Y L， Feng C J， Jin L，et al. What is the best reference state for building statistical potentials in RNA 3D structure evaluation? RNA，2019，25(7)：793-812.
13 Tan Z J， Chen S J. Electrostatic correlations and fluctuations for ion binding to a finite length polyelectrolyte. The Journal of Chemical Physics，2005，122(4)：044903.
14 Goodfellow I， Bengio Y， Courville A. Deep learning. Cambridge，USA：MIT Press，2016，775.
15 Jumper J， Evans R， Pritzel A，et al. Highly accurate protein structure prediction with AlphaFold. Nature，2021，596(7873)：583-589.
16 Tunyasuvunakool K， Adler J， Wu Z，et al. Highly accurate protein structure prediction for the human proteome. Nature，2021，596(7873)：590-596.
17 Li J， Zhu W， Wang J，et al. RNA3DCNN：Local and global quality assessments of RNA 3D structures using 3D deep convolutional neural networks. PLoS Computational Biology，2018，14(11)：e1006514.
18 Huang B， Du Y Y， Zhang S，et al. Computational prediction of RNA tertiary structures using machine learning methods. Chinese Physics B，2020，29(10)：108704.
19 Zhou B L， Khosla A， Lapedriza A，et al. Learning deep features for discriminative localization∥Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA：IEEE，2016：2921-2929.
20 Nawrocki E P， Burge S W， Bateman A，et al. Rfam 12.0：Updates to the RNA families database. Nucleic Acids Research，2015，43(D1)：D130-D137.
21 Kalvari I， Argasinska J， Quinones?Olvera N，et al. Rfam 13.0：Shifting to a genome?centric resource for non?coding RNA families. Nucleic Acids Research，2018，46(D1)：D335-D342.
22 Abraham M J， Van Der Spoel D， Lindahl E，et al. GROMACS User Manual version 2018.4. ，2018.
23 Cruz J A， Blanchet M F， Boniecki M，et al. RNA?Puzzles：A CASP?like evaluation of RNA three?dimensional structure prediction. RNA，2012，18(4)：610-625.
24 Miao Z C， Adamiak R W， Blanchet M F，et al. RNA?Puzzles Round Ⅱ：Assessment of RNA structure prediction programs applied to three large RNA structures. RNA，2015，21(6)：1066-1084.
25 Miao Z C， Adamiak R W， Antczak M，et al. RNA?Puzzles Round III：3D RNA structure prediction of five riboswitches and one ribozyme. RNA，2017，23(5)：655-672.
26 Tishchenko S， Nikulin A， Fomenkova N，et al. Detailed analysis of RNA?protein interactions within the ribosomal protein S8?rRNA complex from the archaeon Methanococcus jannaschii . Journal of Molecular Biology，2001，311(2)：311-324.
[1] 陈轶洲, 刘旭生, 孙林檀, 李文中, 方立兵, 陆桑璐. 基于图神经网络的社交网络影响力预测算法[J]. 南京大学学报(自然科学版), 2022, 58(3): 386-397.
[2] 高菲, 杨柳, 李晖. 开放集识别研究综述[J]. 南京大学学报(自然科学版), 2022, 58(1): 115-134.
[3] 张玮, 赵永虹, 邱桃荣. 基于注意力机制和深度学习的运动想象脑电信号分类方法[J]. 南京大学学报(自然科学版), 2022, 58(1): 29-37.
[4] 樊炎, 匡绍龙, 许重宝, 孙立宁, 张虹淼. 一种同步提取运动想象信号时⁃频⁃空特征的卷积神经网络算法[J]. 南京大学学报(自然科学版), 2021, 57(6): 1064-1074.
[5] 孟浩, 刘强. 基于FPGA的卷积神经网络训练加速器设计[J]. 南京大学学报(自然科学版), 2021, 57(6): 1075-1082.
[6] 陈磊, 孙权森, 王凡海. 基于深度对抗网络和局部模糊探测的目标运动去模糊[J]. 南京大学学报(自然科学版), 2021, 57(5): 735-749.
[7] 倪斌, 陆晓蕾, 童逸琦, 马涛, 曾志贤. 胶囊神经网络在期刊文本分类中的应用[J]. 南京大学学报(自然科学版), 2021, 57(5): 750-756.
[8] 杨静, 赵文仓, 徐越, 冯旸赫, 黄金才. 一种基于少样本数据的在线主动学习与分类方法[J]. 南京大学学报(自然科学版), 2021, 57(5): 757-766.
[9] 李苓玉, 刘治平. 基于机器学习的自发性早产生物标记物发现[J]. 南京大学学报(自然科学版), 2021, 57(5): 767-774.
[10] 贾霄, 郭顺心, 赵红. 基于图像属性的零样本分类方法综述[J]. 南京大学学报(自然科学版), 2021, 57(4): 531-543.
[11] 普志方, 陈秀宏. 基于卷积神经网络的细胞核图像分割算法[J]. 南京大学学报(自然科学版), 2021, 57(4): 566-574.
[12] 段建设, 崔超然, 宋广乐, 马乐乐, 马玉玲, 尹义龙. 基于多尺度注意力融合的知识追踪方法[J]. 南京大学学报(自然科学版), 2021, 57(4): 591-598.
[13] 颜志良, 丰智鹏, 刘丹, 王会青. 一种混合深度神经网络的赖氨酸乙酰化位点预测方法[J]. 南京大学学报(自然科学版), 2021, 57(4): 627-640.
[14] 崔鹤, 刘昆, 瞿晓磊. 基于紫外⁃可见光谱和机器学习方法的溶解性有机质吸附预测模型研究[J]. 南京大学学报(自然科学版), 2021, 57(3): 356-363.
[15] 方志文, 刘青山, 周峰. 基于像素⁃目标级共生关系学习的多标签航拍图像分类方法[J]. 南京大学学报(自然科学版), 2021, 57(2): 208-216.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!

版权所有 © 2021 《南京大学学报(自然科学)》

地址：江苏省南京市鼓楼区汉口路22号，南京大学学报编辑部，210093

电话：025-83592704 , 传真：025-83592704        技术支持：北京玛格泰克科技发展有限公司