[논문 리뷰] Conditional Antibody Design as 3D Equivariant Graph Translation

Xiangzhe Kong, Wenbing Huang외 1명|arXiv (Cornell University)|2022. 08. 12.

Monoclonal and Polyclonal Antibodies Research인용 수 25

한 줄 요약

본 논문은 MEAN을 도입하여 항체–항원 맥락에서 E(3)-등가 그래프 변환을 사용해 1D CDR 시퀀스와 3D 구조를 함께 설계하는 엔드-투-엔드 프레임워크를 제시하고, 최첨단 결과를 달성한다.

ABSTRACT

Antibody design is valuable for therapeutic usage and biological research. Existing deep-learning-based methods encounter several key issues: 1) incomplete context for Complementarity-Determining Regions (CDRs) generation; 2) incapability of capturing the entire 3D geometry of the input structure; 3) inefficient prediction of the CDR sequences in an autoregressive manner. In this paper, we propose Multi-channel Equivariant Attention Network (MEAN) to co-design 1D sequences and 3D structures of CDRs. To be specific, MEAN formulates antibody design as a conditional graph translation problem by importing extra components including the target antigen and the light chain of the antibody. Then, MEAN resorts to E(3)-equivariant message passing along with a proposed attention mechanism to better capture the geometrical correlation between different components. Finally, it outputs both the 1D sequences and 3D structure via a multi-round progressive full-shot scheme, which enjoys more efficiency and precision against previous autoregressive approaches. Our method significantly surpasses state-of-the-art models in sequence and structure modeling, antigen-binding CDR design, and binding affinity optimization. Specifically, the relative improvement to baselines is about 23% in antigen-binding CDR design and 34% for affinity optimization.

연구 동기 및 목표

• 항체 설계를 항원 및 경쇄(context)를 포함하는 조건적 3D 변환 문제로 제시한다.
• CDR 시퀀스와 3D 입체배치를 생성하는 엔드-투-엔드 E(3)-등가 모델을 개발한다.
• 추론 속도와 정확도를 개선하기 위해 효율적이고 비자기회귀(전체 샷) 디코딩을 가능하게 한다.
• 시퀀스/구조 모델링, 항원 결합 CDR 설계, 친화도 최적화에서의 개선을 입증한다.

제안 방법

• 항체 설계를 항체–항원 복합체 그래프에 대한 조건부 그래프 변환으로 형식화한다.
• 내부 맥락 인코더와 외부 어텐티브 인코더를 가진 E(3)-등가 다중 채널 그래프 신경망 MEAN을 제안한다.
• 여러 라운드에서 CDR 시퀀스와 좌표를 예측하기 위한 점진적 전체 샷 디코딩 방식을 사용한다.
• 글로벌 노드 및 구성 요소 간 간선을 도입하여 분자 내외 상호작용을 포착한다.
• 끝에서 끝까지의 등가 프레임워크를 활용한 시퀀스와 구조 손실의 결합으로 학습한다.

실험 결과

연구 질문

• RQ1 항원 및 경쇄(context)를 고려한 3D 등가 그래프 변환 문제로서 항체 설계를 어떻게 형상화할 수 있는가?
• RQ2 MEAN이 1D CDR 복구 및 3D 구조 정확도 모두에서 최첨단 기반선 대비 개선을 보이는가?
• RQ3 진행적 전체 샷 디코딩이 효율적이고 정확한 비자기회귀 CDR 설계 및 친화도 최적화를 제공하는가?

주요 결과

• MEAN은 1D 시퀀스 복구(AAR)와 CDR-H1/H2/H3의 RMSD에서 기준선보다 상당히 우수하게 성능을 보인다.
• CDR-H1/H2/H3 과제에서 MEAN은 AAR이 더 높고 RMSD가 RefineGNN 및 항원/경쇄 맥락을 포함하지 않는 변형들보다 낮다.
• 항원 결합 CDR-H3 설계에서 MEAN은 더 높은 AAR과 1에 가까운 TM-score(약 0.98–0.99)에 근접한 거의 네이티브에 가까운 구조를 달성한다.
• MEAN은 기준선 대비 예측된 ΔΔG 값을 더 낮추는 친화도 최적화의 현저한 이점을 보여준다.
• 진행형 전체 샷 디코딩은 반복적 정제에 비해 2–5배의 속도 향상을 제공하면서도 정확도는 유지하거나 향상시킨다.