Skip to main content
누빈트
QUICK REVIEW

[논문 리뷰] Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization

Siyi Gu, Minkai Xu|arXiv (Cornell University)|2024. 07. 01.
Machine Learning in Materials ScienceMaterials Science인용 수 3
한 줄 요약

이 논문은 정확한 에너지 선호도 최적화(E²PO)를 사용하여 사전 학습된 목표물 인식 분자 확산 모델을 원하는 기능적 특성과 정렬하는 새로운 프레임워크 AliDiff를 제안한다. 유저가 정의한 보상 함수를 통해 결합 친화도와 구조적 합리성에 대해 학습함으로써, AliDiff는 CrossDocked2020 벤치마크에서 최고 수준의 결합 에너지(최대 -7.07 평균 Vina 점수)를 달성하면서도 강력한 분자 특성과 다양성을 유지한다.

ABSTRACT

Generating ligand molecules for specific protein targets, known as structure-based drug design, is a fundamental problem in therapeutics development and biological discovery. Recently, target-aware generative models, especially diffusion models, have shown great promise in modeling protein-ligand interactions and generating candidate drugs. However, existing models primarily focus on learning the chemical distribution of all drug candidates, which lacks effective steerability on the chemical quality of model generations. In this paper, we propose a novel and general alignment framework to align pretrained target diffusion models with preferred functional properties, named AliDiff. AliDiff shifts the target-conditioned chemical distribution towards regions with higher binding affinity and structural rationality, specified by user-defined reward functions, via the preference optimization approach. To avoid the overfitting problem in common preference optimization objectives, we further develop an improved Exact Energy Preference Optimization method to yield an exact and efficient alignment of the diffusion models, and provide the closed-form expression for the converged distribution. Empirical studies on the CrossDocked2020 benchmark show that AliDiff can generate molecules with state-of-the-art binding energies with up to -7.07 Avg. Vina Score, while maintaining strong molecular properties. Code is available at https://github.com/MinkaiXu/AliDiff.

연구 동기 및 목표

  • 기존의 목표물 인식 확산 모델에서 조종 가능성의 부족으로 인해 높은 결합 친화도나 바람직한 분자 특성을 우선시하지 않는 분자를 생성하는 문제를 해결하기 위해.
  • 낮은 결합 에너지 및 높은 구조적 합리성 영역으로 목표 조건부 화학적 분포를 이동시키는 일반적인 정렬 프레임워크를 개발하기 위해.
  • 닫힌 형태의 수렴을 갖는 정확한 에너지 최적화 방법을 도입하여 선호도 최적화에서의 과적합을 극복하기 위해.
  • 높은 친화도를 가진 분자 생성 동안도 약물 유사성(QED), 합성 가능성(SA), 다양성 등의 강력한 분자 특성을 유지하기 위해.
  • 다양한 기반 확산 모델에 걸쳐 일반화 가능성을 입증하기 위해.

제안 방법

  • 프레임워크는 이산적 화학 종류와 연속적인 3차원 좌표의 확산 모델에서 likelihood를 정렬하기 위해 통합된 변분 하한을 사용한다.
  • 정확한 에너지 선호도 최적화(E²PO)를 도입하여 사용자가 정의한 보상 함수 하에서 수렴하는 분포를 해석적으로 계산함으로써, 기존의 선호도 최적화에서 발생하는 과적합을 방지한다.
  • E²PO는 업데이트된 조건부 분포에 대한 닫힌 형태의 표현식을 제공하여 확산 모델의 정확하고 효율적인 정렬을 가능하게 한다.
  • 결합 에너지와 구조적 합리성을 표현하는 보상 함수를 통합하여, 더 높은 친화도와 더 안정적인 리간드로 모델을 이끌도록 한다.
  • IPDiff 및 TargetDiff와 같은 사전 학습된 모델을 대상으로 순서가 매겨진 분자 쌍의 선호 신호를 사용하여 피니튜닝을 통해 적용한다.
  • 하이퍼파rameter β는 결합 친화도와 분자 특성 간의 트레이드오프를 제어하며, 다양한 약물 개발 요구사항에 맞게 맞춤형 생성을 가능하게 한다.
Figure 1: High-level illustration of AliDiff . For a protein target, we can have multiple candidate ligands and rank the preference by certain reward functions, e.g . , binding energy. We align the target-aware molecule diffusion model with these preferences by adjusting the conditional likelihoods.
Figure 1: High-level illustration of AliDiff . For a protein target, we can have multiple candidate ligands and rank the preference by certain reward functions, e.g . , binding energy. We align the target-aware molecule diffusion model with these preferences by adjusting the conditional likelihoods.

실험 결과

연구 질문

  • RQ1사용자 정의 보상 함수를 사용하여 목표물 인식 분자 확산 모델을 더 높은 결합 친화도로 조종할 수 있는가, 이 과정에서 분자 특성이 손상되지 않는가?
  • RQ2보상 함수를 사용해 확산 모델을 정렬할 때 선호도 최적화에서 과적합을 어떻게 방지할 수 있는가?
  • RQ3에너지 기반 선호도 최적화에 대해 정확하고 닫힌 형태의 해를 제공하는 방법이 기존 방법보다 더 나은 성능을 내는가?
  • RQ4제안된 정렬 프레임워크는 다양한 기반 확산 모델에 일반화 가능한가?
  • RQ5결합 친화도와 분자 특성 간의 트레이드오프는 어떻게 조절할 수 있으며, 이를 단일 하이퍼파rameter로 제어할 수 있는가?

주요 결과

  • AliDiff는 CrossDocked2020 벤치마크에서 최고 수준의 평균 Vina 점수 -7.07을 달성하여 기준 모델들을 크게 앞서간다.
  • AliDiff의 E²PO 변종(AliDiff-E²PO)은 직접 선호도 최적화 기반 모델(AliDiff-DPO)보다 뛰어난 결합 친화도 지표를 확보하면서도 QED, SA, 다양성 점수는 경쟁 수준을 유지한다.
  • AliDiff를 사용해 TargetDiff를 피니튜닝한 결과(AliDiff-T), 원본 모델 대비 평균 Vina 점수 6.2% 향상, QED 16.6% 향상, SA 2.8% 향상, 다양성 2.8% 향상되었다.
  • 절단 실험 결과 β가 결합 친화도와 분자 특성 간의 트레이드오프를 제어하며, β=1일 때 균형 잡힌 성능을 달성한다.
  • 낮은 β 값(예: 0.01)은 결합 친화도를 크게 향상시키지만 QED와 다양성은 감소시키며, 높은 β 값은 약물 유사성을 향상시키지만 약간 낮은 친화도를 초래한다.
  • 프레임워크는 일반화 가능성이 높으며, IPDiff 및 TargetDiff를 포함한 여러 확산 모델에서 일관된 성능 향상을 입증하였다.
Figure 2: Overview of AliDiff . This workflow can be summarized as 1) For each protein target (pocket) ${\mathbf{p}}$ in the training set, we retrieve two candidate ligands ${\mathbf{m}}$ ; 2) Label the two ligands as wining sample ${\mathbf{m}}^{w}$ and losing sample ${\mathbf{m}}^{l}$ by desirable
Figure 2: Overview of AliDiff . This workflow can be summarized as 1) For each protein target (pocket) ${\mathbf{p}}$ in the training set, we retrieve two candidate ligands ${\mathbf{m}}$ ; 2) Label the two ligands as wining sample ${\mathbf{m}}^{w}$ and losing sample ${\mathbf{m}}^{l}$ by desirable

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.