графовые нейронные сети

В исследовании представлен OmniCleave — инновационный фреймворк на основе геометрического графового обучения, предназначенный для точного моделирования специфичности взаимодействия протеаз и их субстратов. В отличие от существующих методов, опирающихся на последовательности или локальные мотивы, OmniCleave использует мультимасштабные структурные графы и топологию взаимосвязей протеаз для учета пространственного контекста. Модель была обучена на обширном наборе данных, включающем 57 278 пар «протеаза-субстрат», полученных из 9 651 субстрата, охватывающих более 100 протеаз шести различных семейств. Результаты тестирования на крупных бенчмарках показали превосходство OmniCleave над существующими подходами и позволили выявить интерпретируемые геометрические детерминанты распознавания субстратов. Практическая значимость работы подтверждена экспериментальной валидацией, в ходе которой были обнаружены три новых субстрата каспазы-3 и 21 сайт расщепления. Данная разработка открывает новые возможности для системного анализа протеазной биологии и разработки таргетных терапевтических средств.

В исследовании представлен XAttn-DTA — инновационный фреймворк для прогнозирования аффинности взаимодействия лекарства и мишени (DTA), который не требует экспериментально определенных структурных координат белков. Методология объединяет многослойные графовые сети внимания (GAT) для кодирования 2D-молекулярных графов лекарств и использование предсказанных карт контактов ESM2 для построения графов аминокислотных остатков белков. Ключевым элементом является модуль двунаправленного кросс-внимания, который позволяет лигандам и белковым средам взаимно обогащать друг друга в общем латентном пространстве. На бенчмарке Davis модель показала индекс конкордации (CI) 0,907 и MSE 0,175, что на 1,8% выше CI и на 9,3% ниже MSE по сравнению с лучшими аналогами. В тестах на наборе KIBA достигнуто снижение MSE на 13,6% (до 0,121). Особую значимость представляют результаты в условиях «холодного старта» (неизвестные структуры): на наборах Davis, KIBA и BindingDB модель показала снижение MSE до 79,0% и рост CI до 31,5%, что подтверждает её высокую способность к обобщению на новые химические каркасы и семейства белков.

В исследовании представлен новый метод SpecRNA-QA, предназначенный для оценки качества трехмерных моделей структур РНК. Основная проблема существующих подходов заключается в их ориентации на локальную геометрию, что мешает обнаружению глобальных топологических ошибок, когда локальные элементы (например, спирали) верны, но общая укладка доменов нарушена. Авторы предложили использовать мультимасштабные спектральные признаки, извлеченные из графового Лапласиана сетей контактов между нуклеотидами. Метод анализирует распределение собственных значений, следы теплового ядра и спектральную энтропию на четырех различных дистанционных масштабах. В ходе кросс-валидации на данных CASP16 (42 мишени, 7368 моделей) SpecRNA-QA показал медианный коэффициент корреляции Спирмена rho = 0,69, что значительно превосходит базовые геометрические методы (rho = 0,47). Для крупных молекул РНК (более 200 нуклеотидов) метод продемонстрировал превосходство над статистическим потенциалом DFIRE (rho = 0,72 против 0,52). Важной особенностью является возможность использования обучения без учителя (training-free heuristic) на основе всего трех спектральных статистик, что позволяет оценивать качество без необходимости в размеченных данных.

Исследователи представили REGEN (REconstruction of GEne Networks) — метод на основе графовых нейронных сетей (GNN) для одновременного обучения латентных сетей взаимодействий генов из данных транскриптомики и предсказания статуса выживаемости пациентов. Методология включает систематическое сравнение стратегий инициализации матриц смежности генов-генов для построения графов взаимодействий. Модель была оценена на когорте TCGA (The Cancer Genome Atlas) по семи типам рака, где REGEN превзошел базовые модели в пяти наборах данных. Анализ обученной сети генов рака почки выявил биологически значимые пути и биомаркеры, связанные с онкологией, подтвердив биологическую релевантность модели. Работа предоставляет практические руководства по применению GNN к транскриптомике, позволяя улучшить предсказание фенотипов и открывать значимые генные сети. Это имеет прямое значение для онкологии, персонализированной медицины и понимания молекулярных механизмов заболеваний.