[논문 리뷰] Assessing interaction recovery of predicted protein-ligand poses

David Errington, Constantin Schneider외 2명|arXiv (Cornell University)|2024. 09. 30.

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

이 논문은 단백질-리간드 자세 예측 모델 평가를 위한 핵심 지표로 단백질-리간드 상호작용 지문(PLIF) 복원을 도입하며, 낮은 RMSD와 PoseBuster 유효성에도 불구하고 기계학습 기반 도킹 및 공폴딩 모델이 수소 결합 및 할로겐 결합과 같은 핵심 상호작용을 재현하지 못하는 것으로 밝혀졌다. 연구 결과, 전통적 도킹 방법이 기계학습 접근법보다 상호작용 복원에서 뚜렷한 우월성을 보이며, 모델 훈련 시 약리포어 인식 손실 함수를 명시적으로 통합할 필요성이 제기된다.

ABSTRACT

The field of protein-ligand pose prediction has seen significant advances in recent years, with machine learning-based methods now being commonly used in lieu of classical docking methods or even to predict all-atom protein-ligand complex structures. Most contemporary studies focus on the accuracy and physical plausibility of ligand placement to determine pose quality, often neglecting a direct assessment of the interactions observed with the protein. In this work, we demonstrate that ignoring protein-ligand interaction fingerprints can lead to overestimation of model performance, most notably in recent protein-ligand cofolding models which often fail to recapitulate key interactions.

연구 동기 및 목표

• 자세 예측 품질 평가에 있어 RMSD와 PoseBuster 유효성만을 기준으로 삼는 데서 비롯되는 과도한 의존 문제를 해결하기 위해.
• 수소 결합 및 할로겐 결합과 같은 핵심 상호작용의 복원이 자세 유효성에 필수적이지만 자주 간과되는 기준임을 입증하기 위해.
• 전통적 도킹, 기계학습 기반 도킹, 공폴딩 모델의 실제 단백질-리간드 상호작용 지문(PLIF) 복원 능력을 평가하기 위해.
• 기계학습 모델의 훈련 과정에 명시적인 약리포어 또는 PLIF 민감 손실 함수를 통합하여 예측 자세의 생물학적 관련성을 향상시키기 위한 제언을 위해.

제안 방법

• 단백질-리간드 상호작용 지문(PLIF)은 ProLIF 패키지(v2.0.3)를 사용해 계산되었으며, 구체적으로 수소 결합, 할로겐 결합, π-스택킹, 카이온-π, π-카이온, 이온 결합 등의 상호작용 유형에 집중하였다.
• 사용자 정의 거리 임계값을 적용: 수소 결합은 3.7 Å, 카이온-π는 5.5 Å, 이온 결합은 5.0 Å로 설정하였으며, 나머지 모든 파라미터는 기본값으로 유지하였다.
• PLIF 복원은 결정 구조에서의 기준 상호작용 수 대비 정확히 복원된 상호작용 수의 비율로 측정되었으며, 각 상호작용 유형별로 재현율(recall)이 계산되었다.
• 모델 평가는 PoseBusters 테스트 세트(308개 복합체)를 기반으로 수행되었으며, RMSD와 PoseBuster 유효성은 기준 지표로 사용되었고, PLIF 복원은 주요 신규 지표로 활용되었다.
• 분석에서는 전통적 도킹(GOLD), 기계학습 기반 도킹(DiffDock-L), 공폴딩 모델(RoseTTAFold-AllAtom, Umol 등) 간의 상호작용 복원 능력과 기하학적 정확도를 비교하였다.
• PoseBuster 유효성의 수정된 정의를 사용하여 리간드 RMSD를 제외함으로써, 상호작용 복원이 자세 품질에 기여하는 정도를 분리하여 분석하였다.

Figure 1: Left: Two-dimensional representation of the ligand EZO and its four interactions with the crystal structure 6M2B. Basic residues are shown in blue and residues containing a sulfur atom are shown in yellow. Right: Docked poses generated with GOLD, DiffDock-L and RosettaFold-AllAtom showing

실험 결과

연구 질문

• RQ1 최신 기계학습 기반 단백질-리간드 자세 예측 모델이 결정 구조와 비교해 핵심 단백질-리간드 상호작용을 어느 정도 복원하는가?
• RQ2 PLIF 복원은 RMSD 및 PoseBuster 유효성과 어떻게 상관관계가 있으며, 이러한 표준 지표가 간과하는 성능 한계를 드러내는가?
• RQ3 공폴딩 모델은 낮은 RMSD를 기록하고도 왜 수소 결합 및 할로겐 결합과 같은 생물학적으로 중요한 상호작용을 복원하지 못하는가?
• RQ4 명시적인 약리포어 또는 상호작용 인식 손실 함수의 통합이 기계학습 예측 자세의 생물학적 관련성을 향상시킬 수 있는가?

주요 결과

• 전통적 도킹(GOLD)은 6M2B 복합체에서 수소 결합 100%를 복원하고 모든 핵심 상호작용을 회복하였지만, DiffDock-L은 할로겐 결합을 놓쳤고 수소 결합 패턴도 변경하였다.
• DiffDock-L은 6M2B 복합체에서 PLIF의 75%를 복원하여 낮은 RMSD 1.5 Å에도 불구하고 핵심 상호작용의 부분적이고 불완전한 재현을 보였다.
• RoseTTAFold-AllAtom는 RMSD 2.19 Å를 기록했으나 기준 상호작용을 전혀 복원하지 못했으며, PoseBuster 유효성은 확보하였다.
• 평균적으로 기계학습 기반 도킹 및 공폴딩 모델은 전통적 도킹보다 수소 결합 및 π-스택킹 상호작용을 훨씬 적게 복원하였으며, 후자는 항상 상호작용 복원 능력에서 기계학습 방법을 앞서갔다.
• 연구 결과, PLIF 복원과 RMSD 사이에 약한 상관관계가 있었으며, 낮은 RMSD가 생물학적으로 중요한 상호작용의 복원을 보장하지는 않음을 시사했다.
• 공폴딩 모델은 종종 기하학적 충돌과 잘못된 정렬을 유도하여 결정 구조에 존재하는 진짜 카이온-π 또는 π-스택킹 상호작용을 대체하는 오류적인 이온성 상호작용을 생성하였다.

Figure 2: The ratio of predicted protein-ligand complex structures for each model passing checks on ligand positioning (RMSD $\leq$ 2Å), physicality (PoseBuster-valid) and interaction recovery (PLIF-valid).