[論文レビュー] Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?

Yuejiang Yu, Shuqi Lu+3 more|arXiv (Cornell University)|Feb 14, 2023

Computational Drug Discovery Methods被引用数 22

ひとこと要約

この論文は、ポケット探索とドッキングを分離することで、深層学習を用いたドッキングモデルを従来のドッキングと公正に比較し、与えられたポケットでのドッキングでは従来のドッキングが優れている一方、DL手法はポケット探索に優れる、という結論を得ている。

ABSTRACT

Molecular docking, given a ligand molecule and a ligand binding site (called ``pocket'') on a protein, predicting the binding mode of the protein-ligand complex, is a widely used technique in drug design. Many deep learning models have been developed for molecular docking, while most existing deep learning models perform docking on the whole protein, rather than on a given pocket as the traditional molecular docking approaches, which does not match common needs. What's more, they claim to perform better than traditional molecular docking, but the approach of comparison is not fair, since traditional methods are not designed for docking on the whole protein without a given pocket. In this paper, we design a series of experiments to examine the actual performance of these deep learning models and traditional methods. For a fair comparison, we decompose the docking on the whole protein into two steps, pocket searching and docking on a given pocket, and build pipelines to evaluate traditional methods and deep learning methods respectively. We find that deep learning models are actually good at pocket searching, but traditional methods are better than deep learning models at docking on given pockets. Overall, our work explicitly reveals some potential problems in current deep learning models for molecular docking and provides several suggestions for future works.

研究の動機と目的

• ポケット特異的なドッキングで公正に評価した場合、深層学習を用いたドッキングモデルが伝統的なドッキングを上回るかを評価する。
• ブラインドドッキングをポケット探索とドッキングに分解し、どの成分がDLモデルの改善につながるかを特定する。
• 公正な評価のガイドラインと、DLベースのドッキングモデルの将来の方向性を提供する。

提案手法

• Fpocket、P2Rank、PointSite などの従来のポケット探索ツールと Uni-dock をドッキングに組み合わせて、公正な評価パイプラインを構築する。
• EquiBind、TankBind、DiffDock、および再現版を含むDLベースのモデルを、ブラインドドッキングとポケット意識設定の下で評価する。
• DiffDock の手法に従い、top-k RMSD、RMSD < 1Å/2Å の割合、中央値 RMSD を評価指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 正しいポケットでドッキングが行われた場合、DLドッキングモデルは従来法を上回るか？
• RQ2 DLモデルはポケット探索、ドッキングのどちらに長けているか、それとも両方か？
• RQ3 エンドツーエンドのブラインドドッキングモデルに必要な公正な評価手法は何か？
• RQ4 DiffDock のような現在のDLアプローチのポケット探索とドッキングにおける可能性はどの程度か？
• RQ5 今後のDLベースのドッキング研究を導くべき指針は何か？

主な発見

• 同じポケットでドッキングが行われる場合、従来のドッキング手法がほとんどのDLモデルよりも優れている。
• DLモデルは強力なポケット探索能力を示し、DiffDockがDLアプローチの中でポケット探索で首位である。
• DiffDockのポケットを使用しても、ドッキング精度では従来のドッキング（例：Uni-dock）がDiffDockを上回ることがある。
• GTポケット（真値ポケット）はドッキング性能を大幅に向上させ、ポケット探索精度の改善余地を示している。
• DLモデルの中では、DiffDockがポケット探索と従来のドッキング性能に近づく最も有望な手法として識別される。
• 研究は、既知のポケットでのドッキングにDLの取り組みを集中させ、ポケット探索手法を改善することを推奨している。