[論文レビュー] Antibody-Antigen Docking and Design via Hierarchical Equivariant Refinement

Wengong Jin, Regina Barzilay+1 more|arXiv (Cornell University)|Jul 14, 2022

Monoclonal and Polyclonal Antibodies Research被引用数 12

ひとこと要約

本稿では、階層的かつ等変性のメッセージパッシングを用いて3次元構造を段階的に精錬することで、抗体-抗原ドッキングとデノボのパラトープ設計を統合的に実行する深層学習モデル、階層的等変性精錬ネットワーク（HERN）を提案する。HERNは、先行する最先端手法と比較してドッキング成功率が45%絶対的に向上した一方で、11.6%のケースでネイティブバインダーを上回る低い相互作用エネルギーを持つパラトープを生成した。

ABSTRACT

Computational antibody design seeks to automatically create an antibody that binds to an antigen. The binding affinity is governed by the 3D binding interface where antibody residues (paratope) closely interact with antigen residues (epitope). Thus, predicting 3D paratope-epitope complex (docking) is the key to finding the best paratope. In this paper, we propose a new model called Hierarchical Equivariant Refinement Network (HERN) for paratope docking and design. During docking, HERN employs a hierarchical message passing network to predict atomic forces and use them to refine a binding complex in an iterative, equivariant manner. During generation, its autoregressive decoder progressively docks generated paratopes and builds a geometric representation of the binding interface to guide the next residue choice. Our results show that HERN significantly outperforms prior state-of-the-art on paratope docking and design benchmarks.

研究の動機と目的

• 特定の抗原エピトープに特異的に結合する高親和性抗体を設計する課題に対処すること。
• 既存モデルの制限、すなわち剛体ドッキングの仮定、等変性の欠如、およびすべての原子構造予測における非効率性を克服すること。
• パラトープ配列をエピトープに同時に折りたたみ・ドッキングする統合フレームワークを構築し、ドッキングと生成的設計の両方を可能にすること。
• ネイティブ配列よりも低い相互作用エネルギーを持つパラトープを生成することで、結合親和性を向上させること。

提案手法

• HERNは、残基レベル（Cαのみ）および原子レベルの部分グラフを用いた階層的グラフ表現を採用し、パラトープ-エピトープインターフェースを複数スケールでモデル化する。
• 絶対座標ではなく原子的な仮想力の予測を用いることで等変性のメッセージパッシングを実現し、回転および並進不変性を保証する。
• ドッキングのため、HERNは微分可能で等変性の保たれた反復的精錬ループを用いて3次元構造を段階的に精錬する。
• 生成のため、逐次的にパラトープを構築する自己回帰的デコーダーを用い、幾何的文脈を用いて残基選択をガイドする。
• モデルは、骨格および側鎖のコンformational 動的変化を捉える階層的エンコーダーを統合し、構造的正確性を向上させる。
• 生成のための距離に基づく初期化と幾何的表現を組み合わせ、微分可能な方法で配列選択をガイドする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、エンドツーエンドかつ等変性の方法で、正確なパラトープ-エピトープドッキングとデノボのパラトープ設計を同時に実行可能か？
• RQ2 骨格と側鎖の相互作用を階層的にモデル化することで、単一スケール表現と比較してドッキングおよび設計性能がどのように向上するか？
• RQ3 構造に基づく生成モデルは、ネイティブバインダーを上回る低い相互作用エネルギーを持つパラトープをどれほど効果的に生成できるか？
• RQ4 力の予測における等変性は、エピトープの回転や構造的摂動に対してどのようにモデルのロバストネスを向上させるか？
• RQ5 初期化戦略と階層的エンコーディングのパラトープ生成品質に与える影響はいかほどか？

主な発見

• HERNはベンチマークデータセット上で、先行する最先端手法と比較してドッキング成功率が45%絶対的に向上した。
• パラトープ生成において、距離に基づく初期化下で34.1%のAAR（アミノ酸リコール）を達成し、シーケンスベースおよび構造ベースのベースラインを上回った。
• HERNが生成したパラトープの11.6%がネイティブ対応物よりも低い相互作用エネルギーを示し、結合親和性の向上を示した。
• アブレーションスタディーでは、原子レベルエンコーダーを削除するとAARが30.4%に低下し、階層的モデリングの重要性が示された。
• ランダム初期化下では著しく性能が低下（AAR 31.0%）し、初期段階の生成において幾何的プライオリティの必要性が浮き彫りになった。
• ネイティブ相互作用エネルギーが-10 kcal/mol未満のエピトープに対しても、HERNは高品質なパラトープを効果的に生成でき、困難なケースでもロバストネスを示した。