[論文レビュー] NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models

Zhuoran Qiao, Feizhi Ding+11 more|arXiv (Cornell University)|Dec 14, 2024

Cell Image Analysis Techniques被引用数 8

ひとこと要約

tldr: NeuralPLexer3 (NP3) は物理学に着想を得た流れベースの生成モデルを用いて、生体分子複合体構造を最先端の精度で予測し、AlphaFold3 を含む従来手法より推論が高速です。多様な生体分子相互作用に対して強い物理的妥当性とリガンド誘起のコンフォメーション予測を達成します。

ABSTRACT

Structure determination is essential to a mechanistic understanding of diseases and the development of novel therapeutics. Machine-learning-based structure prediction methods have made significant advancements by computationally predicting protein and bioassembly structures from sequences and molecular topology alone. Despite substantial progress in the field, challenges remain to deliver structure prediction models to real-world drug discovery. Here, we present NeuralPLexer3 -- a physics-inspired flow-based generative model that achieves state-of-the-art prediction accuracy on key biomolecular interaction types and improves training and sampling efficiency compared to its predecessors and alternative methodologies. Examined through newly developed benchmarking strategies, NeuralPLexer3 excels in vital areas that are crucial to structure-based drug design, such as physical validity and ligand-induced conformational changes.

研究の動機と目的

• 配列とトポロジーから、一般化された生体分子複合体構造（タンパク質、核酸、リガンド、イオン、PTMs）をゼロから予測する新規なデノボ予測を推進する。
• 構造モデリングにおける物理的妥当性とリガンド誘起のコンフォメーション予測を改善する。
• 先行研究や競合手法に対して訓練とサンプリングの効率を向上させる。
• 相互作用タイプ、構造変化、物理化学的妥当性を評価するためのベンチマーク（PoseBusters, NPBench, ConfBench）を設定する。

提案手法

• 情報的な先行分布から全ての重原子座標をサンプリングする条件付き流れベース生成モデルと連続正規化フローを利用する。
• Langevin 緩和を用いた球状高分子モデルによる物理インスパイア Priors を組み込み、妥当な初期配置を生成する。
• 対称性対応の置換モジュールとベクトル場再パラメータ化を備えたフローマッチングを適用し、安定で効率的な訓練を実現する。
• アンカーに基づく条件付け、MSA由来特徴、幾何バイアスを備えた拡散-トランスフォーマーデコーダを用いたエンコーダ-デコーダアーキテクチャを使用する。
• メモリと推論時間を削減する Flash-Triangular Attention を導入し、より大きな crop サイズとより速い予測を可能にする。
• PoseBusters、NPBench、CASP15 RNA ターゲットに対して NP3 をベンチマークし、RMSD、PB-valid、LDDT、DockQ を含む指標を報告する。

実験結果

リサーチクエスチョン

• RQ1 多様な生体分子相互作用において、NP3 はタンパク質-リガンド結合構造予測で AlphaFold3 を上回れるか？
• RQ2 物理情報を取り入れた priors と効率的なサンプラーが、構造予測の物理的妥当性と速度にどう影響するか？
• RQ3 複数の生体分子モダリティにおけるリガンド誘起のコンフォメーション変化と PTMs に対する NP3 の性能は？
• RQ4 新しいベンチマーク（NPBench, ConfBench）は、高度なモデルのコンフォメーションおよび相互作用予測能力をどの程度明らかにできるか？

主な発見

• NP3 は PoseBusters-V2 で RMSD および PB-valid 基準の総合成功率 78.4% を達成し、AlphaFold3 の 73.1% を上回る。
• NP3 はリガンド結合予測で 80.2% の RMSD < 2 Å を達成し、AlphaFold3 の 80.4% と同等、リガンド立体化学の予測精度は 98.8% を達成。
• NP3 は推論をより速く提供し、L40S GPU 1 台で約 30 秒、AlphaFold3 の A100-分と比較して約 6 分に相当し、AF3 のタイミング統計と比較して約 15× 速い予測を実現。
• PoseBusters では、NP3 は低ホモロジーのタンパク質-タンパク質界面で DockQ > 0.23 の成功率 52.7%、タンパク質単体の LDDT 87.1% を達成し、同様のタスクで AlphaFold2-Multimer の結果とほぼ一致。
• NP3 は NPBench、CASP15 RNA ターゲット（AF3 の 46.5% vs 47.3%）、タンパク質-核酸界面など多様なターゲットで強力な性能を示し、広範な一般化を示唆。
• ConfBench ベンチマークは NP3 が AF2-M をアポ/ホロポケット構造に対して上回ることを示し、全体で 67.4% アポ、69.9% ホロの正確性。キナーゼ焦点の結果は 77.8% アポ、72.5% ホロの正確性を示す。