近日，理学院应用物理系软物质与生物功能材料研究团队研究成果“Geometric deep learning for the prediction of magnesium-binding sites in RNA structures”（点击阅读）在国际权威期刊《International Journal of Biological Macromolecules》上发表。该论文浙江科技大学为第一单位，应用物理系2021级硕士研究生王康为第一作者，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 左：RNA-Mg2+结合口袋；中：RNA-Mg2+口袋点云数据表面；右：分子表面相互作用指纹）

该研究基于深度学习和分子指纹技术（图1），从RNA-Mg2+三维结合口袋获取点云表面数据，以测地线半径为12?提取表面补丁，分别提取形状索引（SI）、距离相关曲率（DDC）、Mg2+与顶点距离（DMV）、Mg2+与顶点角度（AMV）和原子电荷（AC）等四个几何特征和一个化学特征制作分子表面指纹，送入残差网络进行学习和预测，结果如图2所示。

（图2 (a) 462D全空间枚举decoy Mg2+； (b) 462D分子表面预测效果图，绿球为真实Mg2+,红球为预测TOP-1可信Mg2+，白球为不可信Mg2+；(c) 局部放大图；(d) 462D分子骨架效果图）

该模型对独立测试集462D的8个实验测定的Mg2+在可信度为TOP-1时，预测精确度为87.5%，在可信度为TOP-3时，精确度为100%。相较于最新的MgNet的TOP-12、Metal3DRNA的TOP-20深度算法，本研究的学习算法有较大提升，而且在捕捉Mg2+与RNA之间的物理相互作用方面特别有效。此项工作得到国家自然科学基金、浙江省自然科学基金的资助。