[論文レビュー] Improving Antibody Design with Force-Guided Sampling in Diffusion Models

Paulina Kulytė, Francisco Vargas+4 more|arXiv (Cornell University)|Jun 9, 2024

Monoclonal and Polyclonal Antibodies ResearchMedicine被引用数 3

ひとこと要約

この論文は、サンプリングプロセスに微分可能な物理的力場を統合することで、抗体CDR設計を向上させる、新しい力場誘導型ノイズ除去拡散モデルDiffForceを紹介する。拡散中に勾配に基づく力フィードバックを用いて原子位置を更新することで、ベースラインの拡散モデルと比較してエネルギーが低く、より安定した抗体構造を生成し、配列および構造的正確性が向上する。

ABSTRACT

Antibodies, crucial for immune defense, primarily rely on complementarity-determining regions (CDRs) to bind and neutralize antigens, such as viruses. The design of these CDRs determines the antibody's affinity and specificity towards its target. Generative models, particularly denoising diffusion probabilistic models (DDPMs), have shown potential to advance the structure-based design of CDR regions. However, only a limited dataset of bound antibody-antigen structures is available, and generalization to out-of-distribution interfaces remains a challenge. Physics based force-fields, which approximate atomic interactions, offer a coarse but universal source of information to better mold designs to target interfaces. Integrating this foundational information into diffusion models is, therefore, highly desirable. Here, we propose a novel approach to enhance the sampling process of diffusion models by integrating force field energy-based feedback. Our model, DiffForce, employs forces to guide the diffusion sampling process, effectively blending the two distributions. Through extensive experiments, we demonstrate that our method guides the model to sample CDRs with lower energy, enhancing both the structure and sequence of the generated antibodies.

研究の動機と目的

• 抗体-抗原インターフェース設計における拡散モデルの一般化能力の制限、特に分布外の複合体に対して課題を解決すること。
• 拡散サンプリングプロセス中に物理的エネルギーフィードバックを組み込むことで、生成されたCDRの構造的および配列的品質を向上させること。
• 純粋にデータ駆動の拡散モデルでは、in vitro で機能的に有効な抗体を生成できないという限界を克服すること。
• 補助エネルギーネットワークの学習やエネルギースコアの条件付けを回避する、原理的でエンドツーエンドの手法を開発すること。
• 学習されたタンパク質分布と物理的力場制約を組み合わせることで、より正確で安定したCDR設計を可能にすること。

提案手法

• 本手法は、拡散サンプリングプロセス中に原子力の計算に微分可能な力場（ロゼッタエネルギー関数）を用いる。
• 各サンプリングステップでは、分子動力学を模倣するように、力場エネルギーの勾配を用いて原子位置を繰り返し更新する。
• 各ステップで正確なエネルギーおよび力値を計算するために、ノイズ除去されたサンプル近似が用いられ、正確な力の適用が可能になる。
• 拡散モデルの事前分布とエネルギーに基づく力場分布の重み付き幾何平均を介して、力の誘導を統合する。
• 反復的精錬を通じて、原子座標とアミノ酸タイプ／ロタマーを同時に最適化する。
• エネルギー最小化と構造的忠実度のバランスを取るために、力の開始時刻（λ_st）や力スケール（λ_sc）などのハイパーパrameterが調整されている。

Figure 1 : The antigen-binding region comprises six complementarity-determining regions (CDRs). Each CDR is constructed from a variety of amino acids, which are themselves made up of atoms. These atoms are governed by forces, denoted by the symbol $F$ .

実験結果

リサーチクエスチョン

• RQ1 物理的力場を拡散サンプリングプロセスに効果的に統合できるか、生成されたCDR構造の安定性と正確性が向上するか？
• RQ2 力誘導型サンプリングは、標準的な拡散モデルと比較して、より低いエネルギーのコンformationを生成するか？
• RQ3 力の開始時刻や力スケールなどのハイパーパrameterが、力誘導型サンプリングプロセスのパフォーマンスに与える影響は何か？
• RQ4 追加の学習を必要とせずに、力誘導が配列回復と構造的正確性の両方を向上させられるか？
• RQ5 標準的な拡散モデルと比較して、本手法は分布外の抗原-抗体インターフェースに優れた一般化性能を示すか？

主な発見

• DiffForceは、ベースラインのDiffAbモデルと比較して、アミノ酸回復率（AAR）が12.5%向上し、RMSDが15.3%低下した。
• モデルはロゼッタエネルギーが著しく低いCDRを生成し、特にCDR-H1、CDR-H2、CDR-H3領域で構造的安定性が向上した。
• AARおよびIMP指標において最適なパフォーマンスを得るには、サンプリングプロセスの50%（λ_st = 0.5）で力の活性化を行い、高い力スケール（λ_sc = 0.1）を用いる必要があった。
• RMSDの観点では、後期の力活性化（λ_st = 0.1）と低い力スケール（λ_sc = 0.01）がより良い結果をもたらし、最適化目的のトレードオフが示された。
• アブレーションスタディにより、力誘導が配列および構造的品質の両方を顕著に向上させることを確認した。エネルギーランドスケープ解析では、一貫した低エネルギー状態への収束が観察された。
• 本手法は、関数的に妥当なCDRを生成する点で、ベースラインの拡散モデルを上回った。これは、未知の抗原インターフェースへの一般化性能の向上を示唆している。

Figure 2 : Antibody CDR generation with different sampling strategies. Upper : Standard DDPM sampling without force guidance. Lower : Incorporating force guidance into sampling, the model generates CDR structures with lower energy. Notation explained in the main text.