[논문 리뷰] Detection of protein-ligand binding sites with 3D segmentation.

Marta M. Stepniewska-Dziubinska, Piotr Zielenkiewicz외 1명|arXiv (Cornell University)|2019. 04. 13.

Computational Drug Discovery Methods참고 문헌 9인용 수 5

한 줄 요약

이 논문은 3D 세분화를 통해 약물로 치료할 수 있는 단백질-리간드 결합 부위를 탐지하기 위한 3D 완전 컨volution 신경망을 제시한다. 높은 정확도와 직관적인 공간 표현을 달성하며, 정밀한 결합 틈새 국소화를 가능하게 하여 후속 약물 설계를 지원한다. 코드와 스크립트는 공개되어 있다.

ABSTRACT

In recent years machine learning (ML) took bio- and cheminformatics fields by storm, providing new solutions for a vast repertoire of problems related to protein sequence, structure, and interactions analysis. ML techniques, deep neural networks especially, were proven more effective than classical models for tasks like predicting binding affinity for molecular complex. In this work we investigated the earlier stage of drug discovery process - finding druggable pockets on protein surface, that can be later used to design active molecules. For this purpose we developed a 3D fully convolutional neural network capable of binding site segmentation. Our solution has high prediction accuracy and provides intuitive representations of the results, which makes it easy to incorporate into drug discovery projects. The model's source code, together with scripts for most common use-cases is freely available at this http URL

연구 동기 및 목표

• 초기 단계의 약물 발견에서 단백질 표면에 있는 약물로 치료할 수 있는 틈새를 식별하는 데 도전 과제를 해결하기 위해.
• 기존 방법보다 개선된 깊이 학습 기반 접근법을 개발하여 결합 부위 탐지에 활용하기 위해.
• 약물 발견 워크플로우에 통합 가능한 해석 가능하고 공간적으로 정밀한 부위 세분화를 생성하기 위해.
• 모델 및 관련 도구를 광범위한 연구 용도로 공개하기 위해.

제안 방법

• 3D 완전 컨볼루션 신경망이 단백질 구조의 3D 격자 표현에서 각 볼록체가 결합 부위에 속하는지 여부를 분류하도록 훈련된다.
• 입력은 단백질 표면과 그 주변 공간의 3D 부피 표현이며, 구조적 및 물리화학적 특성이 포함되어 있다.
• 신경망은 3D 컨볼루션을 사용하여 단백질 표면 전반의 공간적 맥락과 국소 패턴을 포착한다.
• 훈련은 알려진 단백질-리간드 복합체에서 유래한 레이블 데이터를 사용하며, 세분화 정확도를 최적화하기 위해 손실 함수가 조정된다.
• 모델은 각 볼록체가 결합 부위에 속할 가능성에 대한 확률 맵을 출력한다.
• 추론은 새로운 단백질 구조에 대해 수행되어 공간적으로 일관된 방식으로 결합 부위 위치를 예측한다.

실험 결과

연구 질문

• RQ1 3D 완전 컨볼루션 신경망은 단백질 표면에 있는 약물로 치료할 수 있는 결합 틈새를 정확하게 탐지할 수 있는가?
• RQ2 이 모델의 성능은 기존의 고전적 또는 이전의 머신러닝 방법보다 어떻게 비교되는가?
• RQ3 이 모델의 세분화 출력은 어느 정도 해석 가능하며 약물 발견 워크플로우에 통합될 수 있는가?
• RQ4 이 모델은 다양한 단백질 가족과 리간드 유형에 대해 일반화할 수 있는가?

주요 결과

• 제안된 3D 세분화 모델은 단백질-리간드 결합 부위를 식별하는 데 높은 예측 정확도를 달성한다.
• 모델은 직관적이고 공간적으로 일관된 결합 틈새 표현을 생성하여 해석 가능성을 향상시킨다.
• 이 방법은 단백질 표면의 약물로 치료할 수 있는 영역을 정밀하게 국소화할 수 있어 합리적인 약물 설계를 지원한다.
• 모델의 소스 코드와 사용 사례 스크립트는 공개되어 있어 재현성과 연구 워크플로우에의 통합을 촉진한다.