[論文レビュー] Assessing interaction recovery of predicted protein-ligand poses

David Errington, Constantin Schneider+2 more|arXiv (Cornell University)|Sep 30, 2024

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文は、タンパク質-リガンドポーズ予測モデルの評価における重要な指標として、タンパク質-リガンド相互作用フィンガープrint（PLIF）回復を提唱し、低RMSDおよびPoseBuster有効性にもかかわらず、機械学習ベースのドッキングおよびコフォールディングモデルが水素結合やハロゲン結合といった重要な相互作用を再現できないことが示された。研究では、古典的ドッキング手法が機械学習手法を著しく上回ることを明らかにした。これは、モデル学習における明示的な薬効フォークス（pharmacophore）に配慮した損失関数の導入が不可欠であることを示唆している。

ABSTRACT

The field of protein-ligand pose prediction has seen significant advances in recent years, with machine learning-based methods now being commonly used in lieu of classical docking methods or even to predict all-atom protein-ligand complex structures. Most contemporary studies focus on the accuracy and physical plausibility of ligand placement to determine pose quality, often neglecting a direct assessment of the interactions observed with the protein. In this work, we demonstrate that ignoring protein-ligand interaction fingerprints can lead to overestimation of model performance, most notably in recent protein-ligand cofolding models which often fail to recapitulate key interactions.

研究の動機と目的

• ポーズ予測の品質評価にRMSDとPoseBuster有効性のみに依存する傾向を是正すること。
• 水素結合やハロゲン結合といった重要な相互作用の回復が、ポーズ有効性のための必須だが、しばしば見過ごされている基準であることを示すこと。
• 古典的ドッキング、機械学習ドッキング、コフォールディングモデルの、真のタンパク質-リガンド相互作用フィンガープリント（PLIF）の回復性能を評価すること。
• 機械学習モデルにおける明示的な薬効フォークスまたはPLIFに敏感な損失関数の統合を提唱し、予測ポーズの生物学的妥当性を向上させること。

提案手法

• タンパク質-リガンド相互作用フィンガープリント（PLIF）は、ProLIFパッケージ（v2.0.3）を用いて計算され、特定の相互作用タイプに注目した：水素結合、ハロゲン結合、πスターリング、カチオン-π、π-カチオン、イオン性相互作用。
• カスタム距離閾値を適用：水素結合は3.7 Å、カチオン-πは5.5 Å、イオン性相互作用は5.0 Å。その他のパラメータはデフォルト値を採用。
• PLIF回復は、結晶構造における真の相互作用数に対する正しく回復された相互作用数の比として測定され、各相互作用タイプごとに再現率（recall）が計算された。
• モデルはPoseBustersテストセット（308複合体）を用いて評価され、RMSDとPoseBuster有効性がベースライン指標として用いられた一方、PLIF回復が主たる新規指標として採用された。
• 古典的ドッキング（GOLD）、機械学習ドッキング（DiffDock-L）、コフォールディングモデル（RoseTTAFold-AllAtom、Umolなど）の間で、相互作用回復と幾何的正確性の両面から比較分析が行われた。
• PoseBuster有効性の定義を変更し、リガンドRMSDを除外することで、相互作用回復がポーズ品質に与える寄与を独立して評価した。

Figure 1: Left: Two-dimensional representation of the ligand EZO and its four interactions with the crystal structure 6M2B. Basic residues are shown in blue and residues containing a sulfur atom are shown in yellow. Right: Docked poses generated with GOLD, DiffDock-L and RosettaFold-AllAtom showing

実験結果

リサーチクエスチョン

• RQ1 最先端の機械学習ベースのタンパク質-リガンドポーズ予測モデルは、結晶構造と比較して、重要なタンパク質-リガンド相互作用をどの程度回復できるか？
• RQ2 PLIF回復はRMSDおよびPoseBuster有効性とどの程度相関するか？また、これらの標準的指標では捉えきれない性能上の限界を明らかにできるか？
• RQ3 コフォールディングモデルは、低RMSDを達成しているにもかかわらず、水素結合やハロゲン結合といった生物学的に重要な相互作用をなぜ回復できないのか？
• RQ4 明示的な薬効フォークスまたは相互作用に配慮した損失関数を統合することで、機械学習による予測ポーズの生物学的妥当性を向上させられるか？

主な発見

• 古典的ドッキング（GOLD）は6M2B複合体において水素結合100％を回復し、すべての主要な相互作用を再現したが、DiffDock-Lはハロゲン結合を欠き、水素結合のパターンも変化させた。
• DiffDock-Lは6M2B複合体においてPLIFの75％を回復したが、RMSDが1.5 Åと低くても、主要な相互作用の再現は部分的かつ不完全であった。
• RoseTTAFold-AllAtomはRMSDが2.19 Åであり、真の相互作用のいずれの回復にも失敗したが、PoseBuster有効性を満たしていた。
• 平均して、機械学習ドッキングおよびコフォールディングモデルは古典的ドッキングに比べ、水素結合およびπスターリング相互作用の回復数が著しく少なかった。後者は一貫して機械学習手法を上回る相互作用回復性能を示した。
• 本研究では、PLIF回復とRMSDの間の相関が弱いことが判明し、低RMSDであっても生物学的に重要な相互作用の回復が保証されないことが示された。
• コフォールディングモデルはしばしば空間的衝突や不適切な配向を生じさせ、結晶構造に存在する真のカチオン-πまたはπスターリング相互作用を代替する誤ったイオン性相互作用を生成した。

Figure 2: The ratio of predicted protein-ligand complex structures for each model passing checks on ligand positioning (RMSD $\leq$ 2Å), physicality (PoseBuster-valid) and interaction recovery (PLIF-valid).