[논문 리뷰] Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization

Xiangxin Zhou, Dongyu Xue외 4명|arXiv (Cornell University)|2024. 03. 25.

Monoclonal and Polyclonal Antibodies Research인용 수 7

한 줄 요약

본 논문은 AbDPO를 제안한다. 이는 잔기 수준에서 사전 학습된 항체 확산 모델을 미세 조정하여 합리적인 CDR-H3 구조와 높은 항원 결합 친화력을 얻고, RAbD 벤치마크에서 최첨단 에너지 및 결합 성능을 달성하는 직접 에너지 기반 선호 최적화 방법이다.

ABSTRACT

Antibody design, a crucial task with significant implications across various disciplines such as therapeutics and biology, presents considerable challenges due to its intricate nature. In this paper, we tackle antigen-specific antibody sequence-structure co-design as an optimization problem towards specific preferences, considering both rationality and functionality. Leveraging a pre-trained conditional diffusion model that jointly models sequences and structures of antibodies with equivariant neural networks, we propose direct energy-based preference optimization to guide the generation of antibodies with both rational structures and considerable binding affinities to given antigens. Our method involves fine-tuning the pre-trained diffusion model using a residue-level decomposed energy preference. Additionally, we employ gradient surgery to address conflicts between various types of energy, such as attraction and repulsion. Experiments on RAbD benchmark show that our approach effectively optimizes the energy of generated antibodies and achieves state-of-the-art performance in designing high-quality antibodies with low total energy and high binding affinity simultaneously, demonstrating the superiority of our approach.

연구 동기 및 목표

• 합리성과 기능에 초점을 둔 서열-구조 공동 설계 문제로 항체 설계를 다룬다.
• 항원에 조건화된 CDR 설계를 위해 사전 학습된 조건부 확산 모델을 활용한다.
• 잔기 수준의 에너지 기반 선호 최적화를 도입하여 생성이 더 낮은 에너지(더 나은 합리성)와 더 높은 결합 친화력으로 향하도록 한다.
• 다양한 에너지 항 간의 충돌을 분해하고 완화하여 최적화 효율성과 결과를 향상시킨다.

제안 방법

• 실제 항원–항체 데이터에서 SE(3)-등가 네트워크를 사용해 CDR 서열과 구조를 모델링하는 조건부 확산 모델을 사전 학습한다.
• 잔기 수준 에너지 신호를 사용한 직접 에너지 기반 선호 최적화를 통해 확산 모델을 미세 조정한다.
• 에너지를 여러 항으로 분해한다(예: CDR 총 에너지, CDR–항원 인력/반발 에너지 등) 및 용어 간 충돌을 완화하기 위해 그래디언트 수술을 적용한다.
• 에너지 기반 보상에 따라 선호 데이터를 승리/패배 항체 샘플로 형식화하고 효율적 학습을 위해 잔기 수준의 DPO 목표를 적용한다.
• 앞방향 확산 샘플링을 사용해 KL 기반 발산을 추정하고 잔기 수준 보상으로 가중치를 주는 AbDPO 손실을 계산한다.
• 에너지 유형 간 간섭을 줄이고 안정적인 다항 최적화를 가능하게 하기 위해 gradient surgery를 도입한다.

실험 결과

연구 질문

• RQ1 직접적인 에너지 기반 선호가 확산 기반 항체 설계를 더 안전한(에너지가 낮은) 그리고 더 기능적인 항체로 이끌 수 있는가?
• RQ2 잔기 수준 에너지 신호가 합리성과 결합 기능을 아미노산 회복 또는 RMSD 기반 지표보다 향상시키는가?
• RQ3 다양한 에너지 항(유인/반발)을 어떻게 분해하고 최적화 과정에서 그 충돌을 완화할 수 있는가?
• RQ4 RAbD 벤치마크에서 최첨단 서열-구조 공동 설계 방법들과 비교했을 때 AbDPO의 상대적 성능은 어떠한가?

주요 결과

• AbDPO는 RAbD 벤치마크에서 합리성(더 낮은 CDR 총 에너지)과 기능성(더 나은 CDR–항원 결합 에너지) 모두에서 기준선보다 우수하다.
• 그래디언트 수술을 통한 에너지 분해는 항 간 간섭을 줄이고 안정성 및 최적화 효율성을 향상시킨다.
• 잔기 수준 선호 신호는 미세한 크레딧 할당을 가능하게 하며 전체 분자 보상보다 더 효과적인 최적화를 가능하게 한다.
• 평가된 55개 항원 타깃에서 AbDPO는 기준선보다 더 낮은 총 에너지와 더 우호적인 결합 에너지를 달성해 항원 특이 항체의 품질이 더 높음을 시사한다.