人工智能预测RNA和DNA结合位点，以加速药物发现( 二 ) 编辑|萝卜皮针对核酸大分子

接下来，研究人员开发了基于体素的核链结构视图，每个体素代表物理空间中的一个1?3立方体，并存储对应于特定类型原子密度的八个通道。然后将体素化的表示馈送到3D卷积神经网络，该网络对与结合位点有关的核酸结构中的片段进行评分。获得的基于结构的深度学习模型称为BiteNetN ，可预测结合位点界面中心的坐标、每个中心的概率分数以及结合位点中每个核苷酸的分数。
BiteNetN
数据集
为了训练BiteNetN深度学习模型，研究人员构建了一个包含1933个核酸-配体复合物的大型数据集，包括不同类型的1065个DNA和886个RNA结构（18个结构同时包含DNA和RNA）。
模型

文章图片
图示：BiteNetN的工作流程。（来源：论文）
【人工智能预测RNA和DNA结合位点，以加速药物发现】研究人员使用3DCNN架构在精选的核酸结构上训练BiteNetN ，证明在蛋白质-小分子分子和蛋白质-肽结合位点检测方面表现最佳，上图说明了BiteNetN工作流程。

文章图片
图示：演示BiteNetN适用于不同类型的DNA或RNA结构。（来源：论文）
与其他方法的比较
为了比较BiteNetN与其他方法的性能，研究人员获得了四种不同方法的结合位点预测：Rsite、Rsite2、RBind、RNAsite ，用于十个测试集。研究人员计算了现有方法的加权AP、ROCAUC和MCC性能指标，以及在设计的数据集上训练的10个BiteNetN模型。
「大多数早期的方法只适用于RNA ，特别是单链。我们的方法适用于DNA和两条或更多条链。我们甚至可以看到当多个分子纠缠在一起时出现的额外位点。」论文的作者IgorKozlovskii说。

文章图片
图示：数据集上的加权AP、ROCAUC和MCC性能指标。（来源：论文）
实例探究
结合位点是大分子的结构和动态特性；因此，预测结合位点的方法应区分具有开放和折叠结合位点的构象，并适用于构象集合的分析。为了证明BiteNetN用于相关的核酸配体结合位点检测问题，研究人员测试了HIV-1的反式激活反应区域和ATP适体。

文章图片
图示：与小分子结合的七种TARRNA结构的AP、ROCAUC和MCC性能指标。（来源：论文）

文章图片
图示：在野生型ATP适体及其G6A突变体的ATP结合和ATP未结合MD轨迹上计算的结合位点得分。（来源：论文）
总之，该团队想强调的是，核酸结构在原子组成和结构折叠上都不同于蛋白质结构，因此难以直接应用蛋白质结合位点检测方法。在这里，该团队为涵盖各种核苷酸的核酸结构设计了一种特定的类型，适用于DNA和RNA ，以及它们的多链复合物。
他们设计的BiteNetN ，在构建的测试集上始终优于其他方法。 BiteNetN具有特定的构象，正如我们通过分析结合小分子的七种不同HIV-1TARRNA结构所证明的那样。它有助于大规模分析，例如构象集合或突变变异分析，如ATP适体案例研究所示。最后， BiteNetN可以使用RNA和DNA复合物，包括多条链。
开源链接：https://sites.skoltech.ru/imolecule/tools/bitenet/
论文链接：https://academic.oup.com/nargab/article/3/4/lqab111/6441762#316112271
相关报道：https://phys.org/news/2022-01-artificial-intelligence-rna-dna-sites.html