[論文レビュー] Equivariant Shape-Conditioned Generation of 3D Molecules for Ligand-Based Drug Design

Keir Adams, Connor W. Coley|arXiv (Cornell University)|Oct 6, 2022

Machine Learning in Materials Science被引用数 8

ひとこと要約

本論文では、等長的形状符号化と変分的化学的同一性符号化を組み合わせることで、形状条件下での分子設計を可能にする3次元生成モデルSQUIDを紹介する。ヒューリスティックな結合幾何学に基づく自己回帰的断片ベース生成を用い、化学的にも幾何学的にも有効で多様な3次元分子を、ターゲット形状に一致させる。これは仮想スクリーニングを上回り、新規の化学空間を探索する能力に優れる。

ABSTRACT

Shape-based virtual screening is widely employed in ligand-based drug design to search chemical libraries for molecules with similar 3D shapes yet novel 2D chemical structures compared to known ligands. 3D deep generative models have the potential to automate this exploration of shape-conditioned 3D chemical space; however, no existing models can reliably generate valid drug-like molecules in conformations that adopt a specific shape such as a known binding pose. We introduce a new multimodal 3D generative model that enables shape-conditioned 3D molecular design by equivariantly encoding molecular shape and variationally encoding chemical identity. We ensure local geometric and chemical validity of generated molecules by using autoregressive fragment-based generation with heuristic bonding geometries, allowing the model to prioritize the scoring of rotatable bonds to best align the growing conformational structure to the target shape. We evaluate our 3D generative model in tasks relevant to drug design including shape-conditioned generation of chemically diverse molecular structures and shape-constrained molecular property optimization, demonstrating its utility over virtual screening of enumerated libraries.

研究の動機と目的

• 仮想スクリーニングの限界を克服し、新規の化学空間を探索可能な形状条件下での3次元分子生成を可能にすること。
• 特定の3次元形状をとる化学的に多様で幾何学的に有効な分子を生成する課題を克服すること。
• 3次元分子生成と整合性を持つ形で、分子形状と化学的同一性を同時に符号化する生成モデルを開発すること。
• 回転可能な結合のスコアリングを優先し、結合価数制約を強制することで、自己回帰的生成中に幾何学的および化学的有効性を保証すること。
• 既知の結合姿勢などの与えられたターゲット形状に一致するコンformationで、実用的でスケーラブルな医薬品様分子の生成を可能にすること。

提案手法

• 等長的ポイントクラウドネットワークが、回転に対して等長的な特徴にターゲット3次元形状を符号化し、空間的関係を保持する。
• グラフニューラルネットワーク（GNN）が、不変特徴に化学的同一性を変分的に符号化し、多様な分子構造を可能にする。
• 順次的で断片ベースの自己回帰的生成プロセスが、結合長さと角度を固定し、成長中の分子がターゲット形状に一致するように回転可能な結合のスコアリングに注力する。
• 化学的結合価数は、グラフ生成中のアクションマスキングにより強制され、有効な結合追加のみが考慮される。
• 回転可能な結合のスコアリング中に、原子が重度に重なり合う（<1Å）可能性がある二面角はマスキングされ、空間的衝突を回避する。
• 非自明な設計課題を保証するため、生成は小規模で化学的に有効な断片（≤6個の重い原子、≥3原子、事前定義された回転可能な結合なし）で開始される。

実験結果

リサーチクエスチョン

• RQ1 3次元生成モデルは、特定のターゲット形状をとる化学的に多様で幾何学的に有効な分子を信頼性を持って生成できるか？
• RQ2 等長的表現学習と変分的化学符号化をどのように組み合わせることで、形状条件下の生成を可能にするか？
• RQ3 ヒューリスティックな結合制約を伴う自己回帰的断片生成は、幾何学的および化学的有効性を維持しながら、新規の化学空間を探索できるか？
• RQ4 形状条件下の生成は、従来の仮想スクリーニングに比べて、新規で多様なリガンドを同定する点でどの程度優れているか？
• RQ5 生成中に、空間的衝突を避けるために、回転可能な結合のスコアリングをどのように最適化できるか？

主な発見

• SQUIDは、10個以上の重い原子を有する柔軟性のある医薬品様分子に対しても、ターゲット形状に密接に一致する化学的にも幾何学的にも有効な3次元分子を生成できる。
• モデルはターゲット形状と高い類似度（例：ROCS Tverskyスコア >0.8）を達成し、100％の結合価数準拠を維持するとともに、最小限の空間的衝突を生じる。
• 20〜30原子の3次元分子の生成にCPUで2〜3秒を要し、ドラッグデザインワークフローにおける実用的効率性を示している。
• モデルは、訓練ライブラリに存在しない多様な構造を生成することで、仮想スクリーニングを上回り、新規の化学空間を探索する能力に優れている。
• 訓練中に二面角を摂動させること（σ = 5°–15°）により、不完全な回転結合スコアリングに対するロバスト性が向上し、生成時の一般化性能が向上した。
• シーディング手順により、非自明な設計課題が保証される。小規模で安定した断片を選択することで、意味のある分子拡張が可能となり、早期または不安定な成長を回避する。