Abstract Knowledge-based statistical potentials are very important for RNA 3-dimensional (3D) structure prediction and evaluation. In recent years, various coarse-grained (CG) and all-atom models have been developed for predicting RNA 3D structures, while there is still lack of reliable CG statistical potentials not only for CG structure evaluation but also for all-atom structure evaluation at high efficiency. In this work, we have developed a series of residue-separation-based CG statistical potentials at different CG levels for RNA 3D structure evaluation, namely cgRNASP, which is composed of long-ranged and short-ranged interactions by residue separation. Compared with the newly developed all-atom rsRNASP, the short-ranged interaction in cgRNASP was involved more subtly and completely through explicitly adding the interactions between nearest neighbor residues and between next-nearest ones. Our examinations show that, the performance of cgRNASP varies with CG levels and compared with rsRNASP, cgRNASP can have similarly good performance for extensive test datasets and slightly better performance for the realistic RNA-Puzzles dataset. Furthermore, cgRNASP is strikingly more efficient than all-atom potentials such as rsRNASP, and can be apparently superior to other all-atom statistical potentials and scoring functions trained from neural networks for the RNA-Puzzles dataset. cgRNASP is available at https://github.com/Tan-group/cgRNASP .

Abstract Knowledge of RNA 3-dimensional (3D) structures is critical to understanding the important biological functions of RNAs. Although various structure prediction models have been developed, high accuracy of predicted RNA 3D structures is still limited to the RNAs with short length or with simple topology. In this work, we proposed a new model, namely FebRNA, for building RNA 3D structures through fragment assembly based on coarse-grained (CG) fragment ensembles. Specifically, FebRNA is composed of four processes: establishing the library of different types of CG fragment ensembles, building CG 3D structure ensemble through fragment assembly, identifying top-1 CG structure through a CG scoring function, and rebuilding the all-atom structure from the top-1 CG one. Extensive examination on different types of RNA structures indicates that FebRNA gives consistently reliable predictions on RNA 3D structures including pseudoknots, 3-way junction, 4-way and 5-way junctions, and RNAs in the RNA-Puzzles. FebRNA is available at website: https://github.com/Tan-group/FebRNA .

Abstract The three-dimensional (3D) structure and stability of DNA are essential to understand/control their biological functions and aid the development of novel materials. In this work, we present a coarse-grained (CG) model for DNA based on the RNA CG model proposed by us, to predict 3D structures and stability for both dsDNA and ssDNA from the sequence. Combined with a Monte Carlo simulated annealing algorithm and CG force fields involving the sequence-dependent base-pairing/stacking interactions and an implicit electrostatic potential, the present model successfully folds 20 dsDNAs (≤52nt) and 20 ssDNAs (≤74nt) into the corresponding native-like structures just from their sequences, with an overall mean RMSD of 3.4Å from the experimental structures. For DNAs with various lengths and sequences, the present model can make reliable predictions on stability, e.g., for 27 dsDNAs with/without bulge/internal loops and 24 ssDNAs including pseudoknot, the mean deviation of predicted melting temperatures from the corresponding experimental data is only ~2.0℃. Furthermore, the model also quantificationally predicts the effects of monovalent or divalent ions on the structure stability of ssDNAs/dsDNAs. Author Summary To determine 3D structures and quantify stability of single- (ss) and double-stranded (ds) DNAs is essential to unveil the mechanisms of their functions and to further guide the production and development of novel materials. Although many DNA models have been proposed to reproduce the basic structural, mechanical, or thermodynamic properties of dsDNAs based on the secondary structure information or preset constraints, there are very few models can be used to investigate the ssDNA folding or dsDNA assembly from the sequence. Furthermore, due to the polyanionic nature of DNAs, metal ions (e.g., Na + and Mg 2+ ) in solutions can play an essential role in DNA folding and dynamics. Nevertheless, ab initio predictions for DNA folding in ion solutions are still an unresolved problem. In this work, we developed a novel coarse-grained model to predict 3D structures and thermodynamic stabilities for both ssDNAs and dsDNAs in monovalent/divalent ion solutions from their sequences. As compared with the extensive experimental data and available existing models, we showed that the present model can successfully fold simple DNAs into their native-like structures, and can also accurately reproduce the effects of sequence and monovalent/divalent ions on structure stability for ssDNAs including pseudoknot and dsDNAs with/without bulge/internal loops.

Abstract Knowledge-based statistical potentials have been shown to be rather effective in protein 3-dimensional (3D) structure evaluation and prediction. Recently, several statistical potentials have been developed for RNA 3D structure evaluation, while their performances are either still at low level for the test datasets from structure prediction models or dependent on the “black-box” process through neural networks. In this work, we have developed an all-atom distance-dependent statistical potential based on residue separation for RNA 3D structure evaluation, namely rsRNASP, which is composed of short- and long-ranged potentials distinguished by residue separation. The extensive examinations against available RNA test datasets show that, rsRNASP has apparently higher performance than the existing statistical potentials for the realistic test datasets with large RNAs from structure prediction models including the newly released RNA-Puzzles dataset, and is comparable to the existing top statistical potentials for the test datasets with small RNAs or near-native decoys. Additionally, rsRNASP is also superior to RNA3DCNN, a recently developed scoring function through 3D convolutional neural networks. rsRNASP and the relevant databases are available at website https://github.com/Tan-group/rsRNASP . SIGNIFICANCE RNAs play crucial roles in catalyzing biochemical reactions and regulating gene expression, and the biological functions of RNAs are generally coupled to their structures. Complementary to experiments, developing computational models to predict RNA 3D structures can be very helpful for understanding RNA biology functions. For a computational model, a reliable energy function is essentially important either for guiding conformational folding or for structure evaluation. For this purpose, we developed a residue-separation-based distance-dependent statistical potential, named rsRNASP which distinguishes the short- and long-ranged interactions, for RNA 3D structure evaluation. Our rsRNASP were examined against extensive test sets and shows overall superior performance over existing top traditional statistical potentials and a recently developed scoring function through 3D convolutional neural networks, especially for realistic test set from various computational structure prediction models.