[論文レビュー] Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking

Octavian-Eugen Ganea, Xinyuan Huang+5 more|arXiv (Cornell University)|Nov 15, 2021

Protein Structure and Dynamics参考文献 18被引用数 25

ひとこと要約

EquiDock は、初期姿勢と役割に対する出力不変性を保証する、2つのタンパク質間の剛体ドッキング変換を予測する高速なエンドツーエンドの SE(3)-等変グラフマッチングモデルです。

ABSTRACT

Protein complex formation is a central problem in biology, being involved in most of the cell's processes, and essential for applications, e.g. drug design or protein engineering. We tackle rigid body protein-protein docking, i.e., computationally predicting the 3D structure of a protein-protein complex from the individual unbound structures, assuming no conformational change within the proteins happens during binding. We design a novel pairwise-independent SE(3)-equivariant graph matching network to predict the rotation and translation to place one of the proteins at the right docked position relative to the second protein. We mathematically guarantee a basic principle: the predicted complex is always identical regardless of the initial locations and orientations of the two structures. Our model, named EquiDock, approximates the binding pockets and predicts the docking poses using keypoint matching and alignment, achieved through optimal transport and a differentiable Kabsch algorithm. Empirically, we achieve significant running time improvements and often outperform existing docking software despite not relying on heavy candidate sampling, structure refinement, or templates.

研究の動機と目的

• 結合時に構造変化が起こらない剛体のタンパク質–タンパク質ドッキングを扱う。
• ペアワイズ独立の SE(3)-等変グラフマッチングネットワークを開発してドッキング変換を予測する。
• 予測された複合体が初期の向き・位置およびタンパク質の役割に対して不変であることを保証する。
• 重いサンプリング、テンプレート、または手作りの特徴量を避けつつ、迅速なドッキングを実現する。
• 未結合構造からドッキング済み複合体への微分可能なパイプラインを提供する。

提案手法

• 各タンパク質を SE(3)-不変ノード特徴を持つ k-NN グラフとして表現する。
• 独立した E(3)-等変グラフマッチングネットワーク（IEGMN）を用いて、SE(3)-等変/不変のクロスメッセージと座標埋め込みを生成する。
• 学習済みキーポイント上で作用する、微分可能な Kabsch ベースのソルバー（SVD ベース）により、ドッキング回転 R と並進 t を予測する。
• マルチヘッドアテンションで結合ポケットのキーポイントを特定し、最適輸送に基づくポケット損失と整合させる。
• ドッキングしたリガンド位置の MSE 損失と、重なりを抑制する非交差損失で最適化する。
• 予測キーポイントを、ドッキング構造に由来する結合ポケットの中点と整合させるために OT 損失を組み込む。

実験結果

リサーチクエスチョン

• RQ1 ペアワイズ独立の SE(3)-等変グラフモデルは、未結合の二つのタンパク質間の剛体ドッキング変換を予測できるか？
• RQ2 SE(3) 不変性と可換性を強制することで、初期姿勢やタンパク質の役割に関係なく一貫したドッキング複合体が得られるか？
• RQ3 微分可能な Kabsch と最適輸送を用いたキーポイントベースのアライメントは、サンプリングやテンプレートなしに生物学的に妥当なドッキング姿勢を正確に回復できるか？
• RQ4 補助損失（ポケット整合の OT、非交差制約、表面意識特徴） はドッキング精度を向上させるか？
• RQ5 標準的なドッキングベンチマークにおける本手法の性能は、従来のドッキングソフトウェアと比較してどうか？

主な発見

方法	DIPS Complex RMSD (Median/Mean/Std)	DIPS Interface RMSD (Median/Mean/Std)	DB5.5 Complex RMSD (Median/Mean/Std)	DB5.5 Interface RMSD (Median/Mean/Std)
Attract	17.17	14.93	10.39	12.41	14.02	11.81	9.55	10.09	9.88	7.48	10.69	10.90
HDock	6.23	10.77	11.39	3.90	8.88	10.95	0.30	5.34	12.04	0.24	4.76	10.83
ClusPro	15.76	14.47	10.24	12.54	13.62	11.11	3.38	8.25	7.92	2.31	8.71	9.89
PatchDock	15.24	13.58	10.30	11.44	12.15	10.50	18.26	18.00	10.12	18.88	18.75	10.06
EquiDock	13.29	14.52	7.13	10.18	11.92	7.01	14.13	14.72	5.31	11.97	13.23	4.93

• EquiDock は、DB5.5 および DIPS ベンチマークで、重いサンプリングやテンプレートを用いずに競争力のドッキング精度を達成する。
• モデルは SE(3) 変換まで一貫したドッキング複合体を出力し、不変性と可換性の特性を満たす。
• EquiDock は、人気のあるドッキングツールと比較して推論が高速で、桁違いのスピードアップを示す。
• DIPS テストセットでは、EquiDock の Complex RMSD 中央値は 13.29、Interface RMSD 中央値は 10.18；DB5.5 テストセットでは Complex RMSD 中央値が 14.13、Interface RMSD 中央値が 11.97。
• 比較手法（Attract、ClusPro、PatchDock、HDock）はさまざまなトレードオフを示す；EquiDock は報告指標でしばしば有利な順位を占める。
• 本モデルは、重い候補サンプリング、構造リファインメント手順、テンプレートへの依存なしにこれらの結果を達成する。