[論文レビュー] Learning from Protein Structure with Geometric Vector Perceptrons

Bowen Jing, Stephan Eismann+3 more|arXiv (Cornell University)|Sep 3, 2020

Computational Drug Discovery Methods参考文献 41被引用数 193

ひとこと要約

ジオメトリックベクトルパーセプトロン（GVP）を導入し、GNNを拡張してタンパク質構造の幾何・関係推論を同時に行い、計算的タンパク質設計（CPD）およびモデル品質評価（MQA）で最先端の結果を達成。

ABSTRACT

Learning on 3D structures of large biomolecules is emerging as a distinct area in machine learning, but there has yet to emerge a unifying network architecture that simultaneously leverages the graph-structured and geometric aspects of the problem domain. To address this gap, we introduce geometric vector perceptrons, which extend standard dense layers to operate on collections of Euclidean vectors. Graph neural networks equipped with such layers are able to perform both geometric and relational reasoning on efficient and natural representations of macromolecular structure. We demonstrate our approach on two important problems in learning from protein structure: model quality assessment and computational protein design. Our approach improves over existing classes of architectures, including state-of-the-art graph-based and voxel-based methods. We release our code at https://github.com/drorlab/gvp.

研究の動機と目的

• CNNライクな幾何処理をGNNと統合することにより、バイオ分子構造からの学習における幾何学的推論と関係推論を橋渡しする。
• グラフ伝搬中の幾何を保存するために、ベクトル特徴上で直接動作する回転対称性を持つネットワーク層を開発する。
• このアプローチを、タンパク質構造学習の2つのタスクである計算的タンパク質設計（CPD）とモデル品質評価（MQA）で実証する。
• GVP-GNNがCPDおよびMQAのベンチマークで既存のアーキテクチャを上回ることを示す。

提案手法

• スカラー特徴 s ∈ R^n およびベクトル特徴 V ∈ R^{ν×3} 上で動作し、s' ∈ R^m および V' ∈ R^{μ×3} を生成する幾何ベクトルパーセプトロン（GVP）を導入する。
• GVPは変換後ベクトルのL2ノルムを連結して回転不変情報を抽出し、続いてスカラーとベクトルに対して別々の線形および非線形変換を適用する。
• GVPが3D回転/反射に対して同変性/不変性を持つことを証明し、回転・反射不変なスカラーの普遍近似性を示す。
• トレーニングを安定化させるためにベクトルチャネルドロップアウトとベクトル層正規化を組み込む。
• GVP-GNNを、タンパク質バックボーンを表すスカラー・ベクトルエッジ/ノード特徴を用いたメッセージ伝搬ステップでGVPを使用して構築する。
• タンパク質をバックボーン原子をノードとする近接グラフとして表現し、方向ベクトル、ガウス基底を用いた距離、およびバックボーン相対エンコーディングを含む近傍エッジ特徴を持たせる。

実験結果

リサーチクエスチョン

• RQ1 GVPがグラフニューラルネットワークに、タンパク質構造の幾何と関係の側面を同時に推論させることを可能にするか？
• RQ2 GVP-GNNはCPDおよびMQAのベンチマークで、最先端の構造ベース・シーケンスベースの手法と比べて性能を向上させるか？
• RQ3 スカラーとベクトルの両方の特徴を含める場合と、スカラーのみ・ベクトルのみを使用する場合の性能への影響はどのようか？
• RQ4 構造的アブレーション（例：Wμの除去、スカラーのみ/ベクトルのみの使用）がCPDおよびMQAの結果にどう影響するか？
• RQ5 CASP時代のデータセット全体で、GVP-GNNは既存のGNNおよび3D CNNとどのように比較されるか？

主な発見

• GVP-GNNはCATH 4.2 CPDベンチマークで最先端のパープレキシティとシーケンス回復を達成し、Structured TransformerおよびStructured GNN系を上回った。
• TS50ではGVP-GNNは44.9%の回復を達成し、Rosettaの30%を上回り、3つの表現クラスに基づく手法を上回る。
• MQAでは、GVP-GNNがCASP 11-12ベンチマークで単一構造・構造のみの手法より高いグローバルおよびターゲット別相関を達成し、CASP 13ではトップの構造のみ手法を上回る。
• GVPのアブレーションは、スカラー経路またはベクトル経路のいずれかを除去すると性能が低下することを示し、スカラーとベクトルの二重設計が最良の結果に不可欠である；Wμを除去してもわずかに性能が低下する。
• 全体として、GVP-GNNは高次テンソル手法への軽量な同変代替を提供し、CPDおよびMQAタスクで高い性能を示す。