[논문 리뷰] DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models

Mohamed Amine Ketata, Cedrik Laue외 7명|arXiv (Cornell University)|2023. 04. 08.

Protein Structure and Dynamics인용 수 26

한 줄 요약

DiffDock-PP는 리지드 단백질-단백질 도킹을 확 diffusion-제너레이티브 문제로 형식화하여 포즈를 샘플링하고 학습된 신뢰도 모델로 이를 랭킹하며, DIPS에서 최첨단 성능을 달성하고 많은 베이스라인보다 빠른 런타임을 보입니다.

ABSTRACT

Understanding how proteins structurally interact is crucial to modern biology, with applications in drug discovery and protein design. Recent machine learning methods have formulated protein-small molecule docking as a generative problem with significant performance boosts over both traditional and deep learning baselines. In this work, we propose a similar approach for rigid protein-protein docking: DiffDock-PP is a diffusion generative model that learns to translate and rotate unbound protein structures into their bound conformations. We achieve state-of-the-art performance on DIPS with a median C-RMSD of 4.85, outperforming all considered baselines. Additionally, DiffDock-PP is faster than all search-based methods and generates reliable confidence estimates for its predictions. Our code is publicly available at $ exttt{https://github.com/ketatam/DiffDock-PP}$

연구 동기 및 목표

• 다중 모드 포즈 분포를 포착하기 위한 생성적 태스크로 리지드 바디 단백질-단백질 도킹을 고무한다.
• 6-DOF 리지드 모션 다양체에서 한 단백질에 상대하는 리간드 포즈를 매핑하기 위한 확산 기반 모델을 개발한다.
• 단백질 대칭성과 강직성에 호환되는 SE(3)-등가구조 아키텍처와 고유 확산 프레임워크를 활용한다.
• 생성된 포즈를 근사-정답에 가까울 가능성으로 순위를 매겨 최적의 포즈를 선택하기 위해 신뢰도 모델을 학습한다.
• DIPS에서 최첨단 성능을 시연하고 전통적 검색 기반 도킹 방법에 비해 상당한 속도 증가를 달성한다.

제안 방법

• 단백질을 잔기 수준 그래프로 모델링하고 SE(3)-등가 점수 및 신뢰도 네트워크를 사용한다.
• 수평 이동과 3D 회전의 곱 공간에서 확산을 정의하여 수용체를 조건으로 리간드 포즈를 샘플링한다.
• T(3)와 SO(3)에서 순방향 확산을 사용하고 각 접선 공간에서의 점수로 포즈를 생성한다.
• 고유 다양체에서 노이즈 제거 점수 일치를 사용하여 학습하고 추론 시 저온 샘플링으로 집중 모드 농축을 달성한다.
• 샘플링된 포즈가 L-RMSD가 5Å 임계값 아래인지 예측하는 별도의 신뢰도 모델을 학습하고 이 신뢰도로 포즈를 순위 매긴다.
• 확산 샘플 중에서 예측된 신뢰도가 가장 높은 포즈를 출력한다.

실험 결과

연구 질문

• RQ1 확산 생성 모델이 단백질-단백질 도킹을 위한 리지드 바디 포즈 분포를 효과적으로 근사할 수 있는가?
• RQ2 학습된 신뢰도 기반 순장을 이용한 다중 포즈 샘플링이 단일 예측이나 전통적 도킹 베이스라인보다 더 나은 도킹 구조를 제공하는가?
• RQ3 DiffDock-PP의 효율성 및 정확도 트레이드오프가 DIPS의 최첨단 도킹 방법과 비교하여 어떠한가?
• RQ4 이동과 회전의 곱 공간에서의 고유 확산이 리지드 도킹 과제의 일반화 향상에 기여하는가?

주요 결과

%<2	%<5	%<10	중앙값	%<2	%<5	%<10	중앙값	런타임
34	41	46	11.95	36	42	53	8.60	4.2
42	50	55	4.85	45	52	63	4.23	153
71	79	86	0.67	72	82	91	0.54	153

• DIPS에서 DiffDock-PP는 40 샘플로 중앙값 Complex RMSD(C-RMSD)가 4.85를 달성하여 모든 베이스라인을 능가한다.
• 40 샘플에서 C-RMSD < 2Å인 예측이 42%, <5Å인 예측이 50%이며, 복합 RMSD 기준으로, I-RMSD는 각각 45%와 52%, 중앙값 I-RMSD는 4.23이다.
• DiffDock-PP는 일반적인 검색 기반 도킹 소프트웨어보다 GPU에서 5~60배 더 빠르다.
• 복합당 단일 샘플만으로도 DiffDock-PP는 대부분의 베이스라인을 능가하며 런타임을 더 낮게 유지한다.
• 오라클 유사 선택(최고의 샘플을 완벽히 고르는 것)은 상한 이득을 크게 주며, 예를 들어 40-샘플 오라클 설정에서 C-RMSD 0.67% 및 I-RMSD 0.54%와 같은 수치를 제시한다.
• 모델의 성능은 신뢰도 모델로 예측을 필터링하면 향상되며 제시 포즈의 효과적인 순위를 나타낸다.