跳到正文
bioRxiv· Hashemi Aghdam, H.; Shukueian Tabrizi, S.; Cicek, A. E.·· 来源仅提供日期AI 评分69

RPFace 提出可泛化的 RNA-蛋白界面预测模型

RPFace: From biased structural benchmarks to generalizable RNA-protein interface prediction

AI 导读

论文构建了按蛋白-RNA 结构和实验条件分层的基准,并提出仅用序列同时预测蛋白每个残基和 RNA 每个核苷酸结合偏好的 RPFace。RPFace 无需实验结构、模板或多序列比对,结合预测二级结构集成与 RNA 基础模型、结构预测模型的多模态嵌入增强,模型小而快,可泛化到 in vivo CLIP 数据。

预印本 · biorxiv · 10.64898/2026.11.04.764332

本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

使用共折叠与对接方法对蛋白质-RNA 复合物进行建模已是常规操作,然而这些方法所依据的评测基准,其组成方式与它们训练或调优所用的已沉积结构如出一辙,这就留下了一个问题:它们所报告的性能是否反映了真正的泛化能力。在此,我们将评测聚焦于承载生物学信号的区域——结合界面。我们首次构建并发布了一个公平的基准,将蛋白质-RNA 数据划分为不同的结构与实验分组,从而提供比总体平均值更为严格的泛化能力检验。在该基准上,我们发现使用共折叠方法检测结合位点的准确性集中在核糖体复合物中,并随实验模态等因素系统性变化。对于对接方法,只有当输入构象已接近结合状态时其结果才可靠,且在不同 RNA 类别间表现不一致。这两类方法都无法迁移到体内 CLIP 实验中。为弥补这一不足,我们提出了 RPFace——据我们所知,这是首个能够直接从序列联合预测每个蛋白质残基和每个 RNA 核苷酸结合偏好的模型,无需任何实验结构、模板或多重序列比对。RPFace 将预测的二级结构集成与一种多模态嵌入增强方案相结合,该方案融合了来自 RNA 基础模型和结构预测模型的表示。与现有方法不同,它是一个非常小巧且快速的模型,在不同结构与实验条件下都能提供稳定的性能,对构象变化具有鲁棒性,并且无需大量预训练即可泛化到体内数据集。因此,在没有进化信息的蛋白质界面上,RPFace 达到了与最先进方法相当的水平,而在 RNA 界面上则超越了它们,尽管仅使用序列信息,其在零样本设置下获得的提升最大。该模型、代码和数据均可在 Github 上获取。

来源:bioRxiv · biorxiv.org