GATRsite: RNA–Ligand Binding Site Prediction Using Graph Attention Networks and Pretrained RNA Language Models
Notice bibliographique
Résumé
Identifying functional sites of RNA, particularly those where small molecules bind, is crucial for understanding related biological processes and advancing drug design. Small molecule therapies, compared to traditional protein-targeted therapies, have the potential to pioneer novel RNA-specific therapeutic strategies. However, the challenge lies in developing accurate and efficient computational methods, requiring novel computational models that can better characterize RNA and precisely predict RNA-small molecule binding sites. In this study, we introduced GATRsite, an efficient deep learning framework leveraging graph attention networks (GATs) and Pretrained RNA Language Models to predict RNA-ligand binding sites. GATRsite regards RNA nucleotides as nodes, and its main component is an RNA graph with nodes that comprehensively incorporates both sequential and structural features. Furthermore, it integrates embeddings derived from advanced Pretrained RNA Language Models, which precisely capture the intricate structural and functional complexities of RNA molecules. GATRsite outperforms other state-of-the-art methods, particularly in terms of recall rates, Matthew's correlation coefficient, and F1 score on benchmark test sets. Moreover, GATRsite exhibits significant robustness regarding the predicted RNA structures. A user-friendly online server for GATRsite is freely available at https://malab.sjtu.edu.cn/GATRsite/.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».