[論文レビュー] MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding

Lirong Wu, Yijun Tian+5 more|arXiv (Cornell University)|Feb 22, 2024

Bioinformatics and Genomic Networks被引用数 10

ひとこと要約

MAPE-PPI は学習可能なコードブックと Masked Codebook Modeling によるマイクロ環境対応のタンパク質埋め込みを導入し、シーケンスと構造を共同エンコードして拡張可能な PPI 予測を行い、最先端手法よりも効率と性能を向上させます。

ABSTRACT

Protein-Protein Interactions (PPIs) are fundamental in various biological processes and play a key role in life activities. The growing demand and cost of experimental PPI assays require computational methods for efficient PPI prediction. While existing methods rely heavily on protein sequence for PPI prediction, it is the protein structure that is the key to determine the interactions. To take both protein modalities into account, we define the microenvironment of an amino acid residue by its sequence and structural contexts, which describe the surrounding chemical properties and geometric features. In addition, microenvironments defined in previous work are largely based on experimentally assayed physicochemical properties, for which the "vocabulary" is usually extremely small. This makes it difficult to cover the diversity and complexity of microenvironments. In this paper, we propose Microenvironment-Aware Protein Embedding for PPI prediction (MPAE-PPI), which encodes microenvironments into chemically meaningful discrete codes via a sufficiently large microenvironment "vocabulary" (i.e., codebook). Moreover, we propose a novel pre-training strategy, namely Masked Codebook Modeling (MCM), to capture the dependencies between different microenvironments by randomly masking the codebook and reconstructing the input. With the learned microenvironment codebook, we can reuse it as an off-the-shelf tool to efficiently and effectively encode proteins of different sizes and functions for large-scale PPI prediction. Extensive experiments show that MAPE-PPI can scale to PPI prediction with millions of PPIs with superior trade-offs between effectiveness and computational efficiency than the state-of-the-art competitors.

研究の動機と目的

• シーケンスのみの方法を超えた大規模な PPI 予測を、タンパク質構造を組み込むことで効率的かつ効果的に行う。
• residu-のマイクロ環境ベースのエンコードを導入し、広い学習可能なコードブックで残基コンテキストを捉える。
• Masked Codebook Modeling (MCM) を導入して、マイクロ環境コードをマスクすることでコードブックを事前学習。
• マイクロ環境埋め込みをグラフベースの PPI 予測子と統合し、数百万の PPI へスケール。
• 複数データセットで最先端ベースラインと比較して、効率と予測精度の向上を実証。

提案手法

• 残基マイクロ環境を連続的および構造的文脈から定義する。
• 再構成、コードブック、コミットメント損失を含む L_VQ を用いた VQ-VAE スタイルの目的で大規模なマイクロ環境コードブックを訓練する。
• マイクロ環境間の依存関係を捉えるためコードブックエントリをマスクすることで Masked Codebook Modeling (L_MCM) を導入する。
• 残基埋め込みを離散的なマイクロ環境コードに写像し、エンコーダ出力と結合してタンパク質表現を形成する。
• 学習済みタンパク質埋め込みを持つ PPI グラフ上の Graph Isomorphism Network (GIN) を用いて相互作用タイプを予測する。
• 共同事前学習目的 L_Pre = L_VQ + eta * L_MCM を最適化し、ラベル付きデータ上での監督付き PPI 予測損失を続けて適用する。

Figure 1: Micro-F1 vs. Training Time.

実験結果

リサーチクエスチョン

• RQ1 マイクロ環境ベースの離散コードブックは、シーケンスと構造の双方からの残基コンテキストを PPI 予測に効果的に捉えられるか。
• RQ2 マイクロ環境コードブックの事前学習は、大規模データ上の下流 PPI 予測の効率と精度を改善するか。
• RQ3 MAPE-PPI は、シーケンスベースおよび構造ベースのベースラインと比較して、精度とスケーラビリティの点でどうであるか。
• RQ4 学習済みマイクロ環境コードブックは、アミノ酸分布と残基コンテキストに関して解釈可能か。
• RQ5 タンパク質3D構造品質の変動やデータセット間のドメインシフトに対して、モデルはどれくらい堅牢か。

主な発見

• MAPE-PPI は SHS27k、SHS148k、STRING データセットで最先端ベースラインより高い精度と効率を達成する。
• CATH 4.2 からの 42k のラベルなしシーケンス-構造ペアでのコードブックの事前学習は、ファインチューニングなしで強い一般化をもたらす。
• MAPE-PPI は、複数のデータ分割で、特に挑戦的な ES/NS サブセットにおいて、シーケンスベースおよび構造ベースの競合より優れている。
• 学習済みマイクロ環境コードは、局所的な残基環境と現実的なアミノ酸分布を反映する意味のあるクラスタを形成する。
• 事前訓練済み埋め込みは、ドメインシフト下での一般化が強く、HIGH-PPI やいくつかのベースラインと比べて構造的摂動に対して堅牢である。

Figure 2: Left: Illustration of microenvironment discovery and microenvironment-aware protein embedding. Right: Illustration of pre-training the codebook by Masked Codebook Modeling (MCM).