[論文レビュー] TAGMol: Target-Aware Gradient-guided Molecule Generation

Vineeth Dorna, D. Subhalingam+6 more|arXiv (Cornell University)|Jun 3, 2024

Advanced biosensing and bioanalysis techniquesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

TAGMol は、分子生成と特性予測を分離することで、ターゲットに配慮した勾配誘導型の分子生成フレームワークを提案する。SE(3)-不変の拡散モデルと多目的ガイドネットワークを用い、望ましい特性へ向かって生成を誘導する。薬物様性（QED）と合成可能性（SA）を最適化しながら、平均ビナスコアで22%の向上を達成し、構造ベースのドラッグデザイン分野で最先端のベースラインを上回る性能を示した。

ABSTRACT

3D generative models have shown significant promise in structure-based drug design (SBDD), particularly in discovering ligands tailored to specific target binding sites. Existing algorithms often focus primarily on ligand-target binding, characterized by binding affinity. Moreover, models trained solely on target-ligand distribution may fall short in addressing the broader objectives of drug discovery, such as the development of novel ligands with desired properties like drug-likeness, and synthesizability, underscoring the multifaceted nature of the drug design process. To overcome these challenges, we decouple the problem into molecular generation and property prediction. The latter synergistically guides the diffusion sampling process, facilitating guided diffusion and resulting in the creation of meaningful molecules with the desired properties. We call this guided molecular generation process as TAGMol. Through experiments on benchmark datasets, TAGMol demonstrates superior performance compared to state-of-the-art baselines, achieving a 22% improvement in average Vina Score and yielding favorable outcomes in essential auxiliary properties. This establishes TAGMol as a comprehensive framework for drug generation.

研究の動機と目的

• 既存の生成モデルが結合親和性に過度に注目し、広範な薬物様性特性を無視するという構造ベースのドラッグデザインにおける限界を解消すること。
• 低品質または不完全なデータセットでの学習の課題を克服するため、生成と特性予測を分離し、拡散サンプリング中に特性信号を注入すること。
• 訓練データに希釈された信号がある場合でも、ターゲット結合と QED や SA などの主要な薬理学的特性を同時に最適化できる手法を開発すること。
• 各特性ごとに別々のガイドモデルを学習し、サンプリング中に勾配を統合することで、3次元分子生成における多目的誘導を実現すること。
• 後処理最適化技術への依存を減らすために、特性制約を生成プロセスに直接埋め込むこと。

提案手法

• 3次元分子幾何構造の現実的生成を目的とした、基本となる SE(3)-不変のグラフ拡散モデルを構築する。
• 時間依存のガイドモデルを、ノイズが加えられた分子入力からの分子特性（例：QED、SA、結合親和性）を予測するために、SE(3)-不変のGNNを用いて学習する。
• 分類器ガイドの原則を適用し、ガイドモデルの勾配を用いて拡散サンプリング中の潜在空間を誘導し、望ましい特性を持つ分子へと生成を誘導する。
• 個々の特性ごとにガイドモデルを別々に学習し、サンプリング中に勾配を統合することで、潜在空間の高性能領域を探索する多目的誘導を実現する。
• ドッキングスコア（ビナ）を結合親和性の代理指標として用い、ガイドの幾何的インダクティブバイアスを活かして座標レベルの生成を向上させる。
• 基本生成モデルを変更せずに、性質誘導をノイズ除去プロセスに統合することで、多様性と再構成品質を維持する。

Figure 1: Overview of TAGMol . (a) Training a property-oriented guide using existing data. (b) Utilizing the trained guide and diffusion model to steer the diffusion sampling process towards the optimal regions of the property of interest.

実験結果

リサーチクエスチョン

• RQ1 生成と誘導を分離したフレームワークは、結合親和性以外の要因にも配慮することで、構造ベースのドラッグデザインにおける分子生成を、単なる結合親和性の向上をはるかに超えて改善できるか？
• RQ2 特性予測器からの勾配誘導が、薬物様性の向上を図る分子生成をどれほど効果的に誘導できるか？
• RQ3 1つの生成モデルが、多特性誘導により結合親和性、QED、SA スコアを同時に最適化できる程度はどの程度か？
• RQ4 ガイドの学習時にノイズが加えられた入力を用いることで、高品質な特性信号が不足する学習データでも、モデルのロバストネスが向上するか？
• RQ5 すべての特性を同時に誘導する場合でも、性能が各指標で著しく低下しないか、すなわち、非劣化な性能を維持できるか？

主な発見

• TAGMol は、最先端のベースラインと比較して、平均ビナスコアで22%の相対的向上を達成し、優れた結合親和性予測性能を示した。
• 特にそれらを明示的に最適化していないにもかかわらず、QED や SA スコアといった主要な薬理学的特性が維持または向上した。
• 多特性誘導により、全体のヒットレートが最も高く、すべての指標で顕著な改善が見られ、SA スコアのわずかな、許容可能な低下にとどまった。
• 結合親和性の単一特性誘導では、ガイドの幾何的インダクティブバイアスがドッキングベースの親和性スコアと整合するため、最も大きな性能向上が得られた。
• 本手法はロバストであることが示された：1つの特性に誘導しても、他の特性の性能が著しく低下せず、ノイズ除去モデルとガイドモデルの協調が効果的であることが示された。
• 可視化結果から、生成された分子が構造的に妥当であり、妥当な結合ポーズをとっていることが確認され、生成出力の品質が裏付けられた。

Figure 2: Comparison of distance distributions between all-atom distances of reference molecules in the test set (Reference) and distances in model-generated molecules. The Jensen-Shannon divergence (JSD) between these two distributions is calculated and reported.