近日，理学院应用物理系软物质与功能纳米材料研究团队在国际学术期刊《International Journal of Biological Macromolecules》 (IF=7.7，中科院二区TOP) 期刊上发表了题为"The prediction of RNA-small molecule binding sites in RNA structures based on geometric deep learning"的研究论文。浙江科技大学为第一单位，应用物理系2022级硕士研究生桑春江为第一作者，浙江科技大学孙婷婷教授、江苏理工学院许晓军教授为论文通讯作者。
图1 论文发表页面
该研究基于深度学习和分子表面相互作用指纹技术（图2），从RNA-small molecule三维结合口袋获取点云表面数据，以测地线半径为12Ả提取表面补丁，分别提取形状索引（SI）、距离相关曲率（DDC）这两个几何特征和原子电荷（AC）这一个化学特征，将其制作成分子表面指纹，然后送入残差网络进行学习和预测。
图2 分子表面相互作用指纹制作及几何深度学习框架
图3 实例验证：PDBID为1DDY、1EI2的预测结合位点与真实结合位点的比较
通过在440个结合口袋上进行训练，该模型实现了结合口袋层面 90%的分类准确率。为了获取核苷酸分辨率下的结合位点，采用全空间枚举的方法提取结合口袋，使口袋信息交叉覆盖至每一个核苷酸，随后基于频次分析获得核苷酸的结合位点（图 3）。通过测试数据集 Test9和Test18 进一步测试，模型在Test9 数据集上的精确率约为 77%，在 Test18 数据集上的精确率约为 72%，这表明模型在不同测试集上具有较好的稳定性和泛化能力。相较其他算法，本研究的学习算法在精确率等指标上有较大提升，并在捕捉RNA-small molecule之间的物理相互作用方面特别有效。此项工作得到了国家自然科学基金、浙江省自然科学基金的资助。
文章链接：https://doi.org/10.1016/j.ijbiomac.2025.143308
（应用物理系 孙婷婷 学科办 陈璟）
