[論文レビュー] ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking

Yiqiang Yi, Xu Wan+3 more|arXiv (Cornell University)|Oct 12, 2023

Computational Drug Discovery MethodsComputer Science被引用数 3

ひとこと要約

ETDockは、タンパク質-リガンドドッキングのための新規等長変換型トランスフォーマーモデルを提案する。このモデルは、TAMformerモジュールを用いてリガンドのグラフレベル特徴量と3次元空間的表現を統合し、80個以上のリガンドが2 Å RMSD以内に予測可能であり、TankBind や EquiBind と比較して優れた ECDF 曲線を達成した。

ABSTRACT

Predicting the docking between proteins and ligands is a crucial and challenging task for drug discovery. However, traditional docking methods mainly rely on scoring functions, and deep learning-based docking approaches usually neglect the 3D spatial information of proteins and ligands, as well as the graph-level features of ligands, which limits their performance. To address these limitations, we propose an equivariant transformer neural network for protein-ligand docking pose prediction. Our approach involves the fusion of ligand graph-level features by feature processing, followed by the learning of ligand and protein representations using our proposed TAMformer module. Additionally, we employ an iterative optimization approach based on the predicted distance matrix to generate refined ligand poses. The experimental results on real datasets show that our model can achieve state-of-the-art performance.

研究の動機と目的

• スコアリング関数に依存する伝統的なドッキング手法の限界を解決すること。これらの手法は3次元空間的特徴量やリガンドのグラフレベル特徴量を捉えられていない。
• 深層学習ベースのドッキングモデルの欠点を克服すること。これらのモデルは3次元幾何的制約やリガンドのグラフレベル情報を見過ごしている。
• タンパク質とリガンドの不変および等長変換表現を同時に学習することで、ドッキングポーズ予測の正確性を向上させるモデルを開発すること。
• タンパク質-リガンドドッキングポーズ予測のPDBbind v2020ベンチマークデータセットにおいて、最先端の性能を達成すること。

提案手法

• リガンドおよびタンパク質の原子レベル特徴量を抽出するために、グラフ同型ネットワーク（GIN）とグラフベクトル予測（GVP）を採用する。
• 機能クラスフィンガープrint（FCFP）をGINで学習された原子レベル特徴量と統合し、リガンドのグラフレベル情報の捉えを強化する。
• 学習可能な外積を用いてリガンド-タンパク質相互作用特徴量をモデル化する。
• TAMformerモジュールを3層構成で設計する：幾何的・空間的制約を符号化する三角形層、重要な相互作用領域に注目するアテンション層、スカラーおよびベクトル情報の交換を行うメッセージパッシング層。
• 予測された距離行列に基づく反復的最適化を実施し、リガンドポーズを精緻化する。
• 等長表現を用いて、結合ポケット内でのリガンドの正確な3次元座標を予測するため、エンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 グラフレベル特徴量と3次元空間的特徴量を統合した等長変換型トランスフォーマーモデルは、タンパク質-リガンドドッキングポーズ予測の正確性を向上させることができるか？
• RQ2 FCFPを介してリガンドのグラフレベル特徴量を組み込むことで、原子レベル特徴量のみに依存するモデルと比較して、ドッキングモデルの性能にどのような影響を与えるか？
• RQ3 TAMformerモジュールの三角形層、アテンション層、メッセージパッシング層が、物理的制約および重要な相互作用をどれほど効果的に捉えられるか？
• RQ4 RMSDおよび重心距離が2 Å未満の閾値を満たす点で、ETDockはTankBind や EquiBind といった最先端手法と比較して、どの程度優れているか？
• RQ5 予測された距離行列に基づく反復的最適化は、さらにリガンドポーズ予測の精度を向上させることができるか？

主な発見

• ETDockは、363個のリガンドのうち80個以上が2 Å未塔のルート・ミーン・スクエア・デバイエーション（RMSD）を達成し、高いコンformational正確性を示した。
• 120個以上のリガンドが重心距離2 Å未塔に達し、結合部位内でのリガンド位置の正確な予測を示した。
• RMSDおよび重心距離の累積分布関数（ECDF）曲線において、ETDockはTankBind や EquiBind を上回った。特に2 Å未塔の範囲で顕著な優位性を示した。
• PDB 6JMFにおける事例研究では、ETDockはRMSDが0.78 Åにまで低下し、両方の対照モデルと比較して顕著に優れたコンformational予測正確性を示した。
• PDBbind v2020データセット上での妥当性評価において、ETDockはRMSDおよび重心距離の両方の指標で最先端の結果を達成した。
• FCFPとGINで学習された特徴量の統合、および学習可能な外積の使用により、モデルのリガンド固有の性質および相互作用を捉える能力が向上した。