[논문 리뷰] End-to-End Full-Atom Antibody Design

Xiangzhe Kong, Wenbing Huang외 1명|arXiv (Cornell University)|2023. 02. 01.

Monoclonal and Polyclonal Antibodies Research인용 수 11

한 줄 요약

논문은 epitope와 불완전한 항체 서열로부터 풀-원자 항체를 설계하는 엔드-투-엔드 E(3)-equivariant 다채널 그래프 네트워크인 dyMEAN을 제시하여 서열과 구조의 동시 생성 및 도킹을 가능하게 한다.

ABSTRACT

Antibody design is an essential yet challenging task in various domains like therapeutics and biology. There are two major defects in current learning-based methods: 1) tackling only a certain subtask of the whole antibody design pipeline, making them suboptimal or resource-intensive. 2) omitting either the framework regions or side chains, thus incapable of capturing the full-atom geometry. To address these pitfalls, we propose dynamic Multi-channel Equivariant grAph Network (dyMEAN), an end-to-end full-atom model for E(3)-equivariant antibody design given the epitope and the incomplete sequence of the antibody. Specifically, we first explore structural initialization as a knowledgeable guess of the antibody structure and then propose shadow paratope to bridge the epitope-antibody connections. Both 1D sequences and 3D structures are updated via an adaptive multi-channel equivariant encoder that is able to process protein residues of variable sizes when considering full atoms. Finally, the updated antibody is docked to the epitope via the alignment of the shadow paratope. Experiments on epitope-binding CDR-H3 design, complex structure prediction, and affinity optimization demonstrate the superiority of our end-to-end framework and full-atom modeling.

연구 동기 및 목표

• 단계별(stage-wise) 항체 설계 방법의 한계를 해결하기 위해 전체 원자 기하학(측분자 포함)과 완전한 항체 맥락을 다루는 엔드-투-엔드 프레임워크를 제공한다.
• 에피토프와 불완전한 항체 서열로부터 완전한 항원–항체 복합체를 생성할 수 있는 모델을 개발한다.
• 구조적 초기화, 그림자 파라토프 메커니즘, 그리고 잔류(atom)에 따라 가변적인 원자 수를 다루기 위한 적응형 다채널 등변 인코딩을 포함하여 잔당(atom)당 가변 원자 개수를 관리한다.
• 임의의 에피토프 자세와 방향에 대해 일반화되도록 E(3)-등변성을 보장한다.

제안 방법

• 보존 잔기에 기반한 구조적 초기화(SI)를 도입하여 항체의 예측 구조 추정을 제공합니다.
• 에피토프 주변에 그림자 파라토프를 부착하여 에피토프–파라토프 간 상호작용을 E(3)-불변 방식으로 연결한다.
• 가변 채널 크기를 갖는 잔류물 전체에서 은닉 상태와 full-atom 좌표를 업데이트하는 Adaptive Multi-channel Equivariant Encoder (AME)를 사용한다.
• 최종 도킹된 복합체를 생성하기 위해 Kabsch 기반 정렬을 이용해 네이티브 파라토프를 그림자 파라토프에 도킹한다.
• 시퀀스 손실, 구조 손실(좌표 및 결합 길이) 및 도킹 손실(그림자 파라토프 좌표 및 인터페이스 간 거리)을 포함한 공동 목표로 학습한다.
• 설계 과정과 도킹 결과의 E(3)-등변성을 증명한다(정리 4.1).

실험 결과

연구 질문

• RQ1 에피토프와 불완전한 항체 서열만으로도 엔드-투-엔드 모델이 완전한 CDR-H3 서열과 풀-원자 항체 구조를 생성할 수 있는가?
• RQ2 풀-원자 기하학 및 그림자 파라토프 기반 도킹의 도입이 단계적 파이프라인보다 설계 품질을 향상시키는가?
• RQ3 제안된 dyMEAN 프레임워크가 E(3)-등변성으로 인해 임의의 에피토프 자세에 견고한가?
• RQ4 dyMEAN이 에피토프-결합 CDR-H3 생성, 복합 구조 예측, 친합도 최적화 등을 포함한 작업에서 어떻게 성능을 보이는가?

주요 결과

• dyMEAN은 아미노산 회복 및 도킹 품질을 포함한 다수의 지표에서 파이프라인 기반 베이스라인을 능가합니다.
• 복합 구조 예측 작업에서 dyMEAN은 TMscore, lDDT, DockQ 점수면에서 단계적 방법보다 우수한 성능을 보인다.
• 엔드-투-엔드 풀-원자 설계는 파라토프 서열과 전체 항체 구조의 동시 생성을 가능하게 하며, 접힘(folding) 및 도킹 결과는 E(3) 변환 하에서도 불변/등변적이다.
• 그림자 파라토프 부착은 에피토프와 항체 간 정보 전달을 견고하게 하여, 네이티브 파라토프를 그림자 파라토프와 정렬시키는 도킹을 가능하게 한다.
• 이 접근법은 친합도 최적화 작업에서도 효과를 보이며, 정적 구조 예측 이상의 실용적 활용을 보여준다.