[論文レビュー] Guiding Generative Protein Language Models with Reinforcement Learning

Filippo Stocco, Maria Artigues-Lleixa+4 more|arXiv (Cornell University)|Dec 17, 2024

Topic Modeling被引用数 6

ひとこと要約

本論文は、強化学習フレームワークを用いて生成的タンパク質言語モデルをユーザー定義の目的へと反復的に誘導することで、結合親和性などの望ましい性質を持つタンパク質設計を可能にする。2回の反復で26倍の親和性向上を示したEGFR結合体で実証。

ABSTRACT

Protein language models (pLMs) have demonstrated success at generating functional proteins across vast sequence spaces but lack the ability to design high-fitness variants on demand. Here, we iteratively guide pLMs toward user-defined objectives by applying reinforcement learning (RL). We demonstrate that RL can steer pLMs toward various protein properties, such as topologies or binding affinities, in a few iterations through long evolutionary trajectories. We apply our framework to the design of epidermal growth factor receptor (EGFR) binders, achieving a 26-fold increase in binding affinity in two iterations.

研究の動機と目的

• 大規模な配列空間から機能タンパク質の制御可能な生成の必要性を動機づける。
• タンパク質言語モデルを特定の設計目的へ導くRLベースのフレームワークを導入する。
• 生成配列をトポロジーや結合親和性などの性質へ操作できる能力を実証する。
• 表皮成長因子受容体（EGFR）結合体に関する実用的な設計成果を示す。

提案手法

• 強化学習を適用して生成的タンパク質言語モデルをユーザー定義の目的へ導く。
• 短い反復回数で長い進化経路にわたってタンパク質性質を最適化するためにRLを活用する。
• 結合親和性やトポロジーなどの標的属性へpLMsを誘導できることを示す。
• 生成されたタンパク質配列と性質を通じて反復設計の進捗を評価する。
• EGFR結合体設計に関する経験的結果を提示し、顕著な親和性向上を示す。

実験結果

リサーチクエスチョン

• RQ1 強化学習は事前に定義された設計目的へ向けて生成的タンパク質言語モデルを効果的に誘導できるか？
• RQ2 高適合性のタンパク質変種を達成するには何回の反復とどのような軌跡が必要か？
• RQ3 どの性質ターゲット（例：結合親和性、トポロジー）がRLガイド設計に適しているか？
• RQ4 EGFR結合体のような具体的ターゲットに対するRLガイド設計の性能はどうか？

主な発見

• RLは数回の反復内で生成的タンパク質言語モデルを選択された性質へ導くことができる。
• このフレームワークはタンパク質設計目的を改善する長い進化の軌跡を可能にする。
• EGFR結合体へ適用すると、2回の反復で結合親和性を26倍向上させる。
• このアプローチは親和性以外の複数のタンパク質特性への適応性を示す。