Orientation-Aware Graph Neural Networks for Protein Structure Representation Learning

要約

タンパク質は、特定の 3D 構造に折りたたまれることにより、生物において重要な役割を果たします。
下流のタスクのためにタンパク質構造から意味のある表現を学習するには、グローバルなバックボーン トポロジーだけでなく、アミノ酸間の局所的なきめ細かい配向関係も考慮する必要があります。
この研究では、タンパク質構造の幾何学的特徴 (残基内部のねじれ角、残基間の配向など) をより適切に感知するために、方向を意識したグラフ ニューラル ネットワーク (OAGNN) を提案します。
単一の重みをスカラーから 3D ベクトルに拡張して、与えられた構造の古典表現と SO(3) 表現の両方を処理するための幾何学的に意味のある演算の豊富なセットを構築します。
私たちが設計したパーセプトロン ユニットを既存のグラフ ニューラル ネットワークに接続するために、等変メッセージ パッシング パラダイムをさらに導入し、地球規模で SO(3) 等変性を維持する優れた汎用性を示します。
実験により、私たちの OAGNN は古典的なネットワークと比較して、幾何学的方向の特徴を感知する優れた能力を備えていることが示されました。
OAGNN は、タンパク質の 3D 構造に関連するさまざまな計算生物学アプリケーションでも最先端のパフォーマンスを達成しています。

要約(オリジナル)

By folding to particular 3D structures, proteins play a key role in living beings. To learn meaningful representation from a protein structure for downstream tasks, not only the global backbone topology but the local fine-grained orientational relations between amino acids should also be considered. In this work, we propose the Orientation-Aware Graph Neural Networks (OAGNNs) to better sense the geometric characteristics in protein structure (e.g. inner-residue torsion angles, inter-residue orientations). Extending a single weight from a scalar to a 3D vector, we construct a rich set of geometric-meaningful operations to process both the classical and SO(3) representations of a given structure. To plug our designed perceptron unit into existing Graph Neural Networks, we further introduce an equivariant message passing paradigm, showing superior versatility in maintaining SO(3)-equivariance at the global scale. Experiments have shown that our OAGNNs have a remarkable ability to sense geometric orientational features compared to classical networks. OAGNNs have also achieved state-of-the-art performance on various computational biology applications related to protein 3D structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google