Search

Pre-trained models have been successful in many protein engineering tasks. Most notably, sequence-based models have achieved state-of-the-art performance on protein fitness prediction while structure-based models have been used experimentally to develop proteins with enhanced functions. However, there is a research gap in comparing structure- and sequence-based methods for predicting protein variants that are better than the wildtype protein. This paper aims to address this gap by conducting a comparative study between the abilities of equivariant graph neural networks (EGNNs) and sequence-based approaches to identify promising amino-acid mutations. The results show that our proposed structural approach achieves a competitive performance to sequence-based methods while being trained on significantly fewer molecules. Additionally, we find that combining assay labelled data with structure pre-trained models yields similar trends as with sequence pre-trained models. Our code and trained models can be found at: https://github.com/semiluna/partIII-amino-acid-prediction., Comment: 4 pages, 2 figures, accepted to the 2023 ICML Workshop on Computational Biology

Computational RNA design has broad applications across synthetic biology and therapeutic development. Fundamental to the diverse biological functions of RNA is its conformational flexibility, enabling single sequences to adopt a variety of distinct 3D states. Currently, computational biomolecule design tasks are often posed as inverse problems, where sequences are designed based on adopting a single desired structural conformation. In this work, we propose gRNAde, a geometric RNA design pipeline that operates on sets of 3D RNA backbone structures to explicitly account for and reflect RNA conformational diversity in its designs. We demonstrate the utility of gRNAde for improving native sequence recovery over single-state approaches on a new large-scale 3D RNA design dataset, especially for multi-state and structurally diverse RNAs. Our code is available at https://github.com/chaitjo/geometric-rna-design

The expressive power of Graph Neural Networks (GNNs) has been studied extensively through the Weisfeiler-Leman (WL) graph isomorphism test. However, standard GNNs and the WL framework are inapplicable for geometric graphs embedded in Euclidean space, such as biomolecules, materials, and other physical systems. In this work, we propose a geometric version of the WL test (GWL) for discriminating geometric graphs while respecting the underlying physical symmetries: permutations, rotation, reflection, and translation. We use GWL to characterise the expressive power of geometric GNNs that are invariant or equivariant to physical symmetries in terms of distinguishing geometric graphs. GWL unpacks how key design choices influence geometric GNN expressivity: (1) Invariant layers have limited expressivity as they cannot distinguish one-hop identical geometric graphs; (2) Equivariant layers distinguish a larger class of graphs by propagating geometric information beyond local neighbourhoods; (3) Higher order tensors and scalarisation enable maximally powerful geometric GNNs; and (4) GWL's discrimination-based perspective is equivalent to universal approximation. Synthetic experiments supplementing our results are available at \url{https://github.com/chaitjo/geometric-gnn-dojo}, Comment: ICML 2023

Die Studie geht den Fragen nach, wie viele Jugendliche in Österreich von einem NEET-Status betroffen sind, welche sozialstrukturellen Merkmale sie aufweisen und was die Ursachen für ein erhöhtes NEET-Risiko sind. Weiterhin wird untersucht, von welchen Faktoren ein (erfolgreicher) Ausstieg aus der NEET-Situation abhängt. Zur Beantwortung dieser Fragestellungen wird ein Mehr-Methoden-Zugang gewählt, der sich auf quantitative und qualitative Elemente stützt. Es wird gezeigt, dass in Österreich im Zeitraum von 2006 bis 2011 im Durchschnitt rund 78.000 junge Menschen im Alter zwischen 16 und 24 Jahren von Desintegration, im Sinne eines NEET-Status betroffen sind. Die Anzahl an NEET-Jugendliche ist jedoch stark von der Konjunktur abhängig, und stieg beispielsweise in den Krisenjahren 2009 und 2010 deutlich an. Ein erhöhtes NEET-Risiko haben frühe SchulabgängerInnen, (weibliche) Jugendliche mit Betreuungspflichten, Jugendliche mit Migrationshintergrund der 1. Generation, Jugendliche, deren Eltern eine geringere Bildung haben, und Jugendliche, die in Städten leben. Allerdings wirken viele der genannten sozialstrukturellen Merkmale nicht direkt auf den NEET-Status ein, sondern nur indirekt. Die NEET-Gruppe ist sehr heterogen und entsprechend vielfältig sind die Ursachen, Bedürfnis- und Problemlagen. Als eine zentrale Hauptursache mit direkter Wirkung auf den NEET-Status konnte ein früher Schulabgang identifiziert werden. Zur Senkung der NEET-Rate plädiert der Beitrag für Strategien gegen frühen Schulabbruch und für Maßnahmen, die an den individuellen Bedürfnissen der Jugendlichen ansetzen und niederschwellig sind. Weiters werden Maßnahmen für (neue) Zielgruppen, Maßnahmen zur Vernetzung und Koordinierung relevanter AkteurInnen und Maßnahmen auf regionaler Ebene sowie eine Weiterentwicklung der aktiven Arbeitsmarktpolitik vorgeschlagen. Darüberhinaus werden konjunkturbelebende Maßnahme empfohlen, insbesondere durch öffentliche Investitionen in den Ausbau der Bildungs- und Kinderbetreuungsinfrastruktur.