[논문 리뷰] EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction

H. Stärk, Octavian-Eugen Ganea외 3명|arXiv (Cornell University)|2022. 02. 07.

Computational Drug Discovery Methods인용 수 98

한 줄 요약

EquiBind는 SE(3)-등변 기하학적 딥러닝 모델로, 리간드의 결합 위치와 결합 포즈를 직접 예측하여 폐쇄형 von Mises 해를 이용한 빠른 토션 각 미세조정 옵션과 함께 초고속 블라인드 도킹을 가능하게 한다.

ABSTRACT

Predicting how a drug-like molecule binds to a specific protein target is a core problem in drug discovery. An extremely fast computational binding method would enable key applications such as fast virtual screening or drug engineering. Existing methods are computationally expensive as they rely on heavy candidate sampling coupled with scoring, ranking, and fine-tuning steps. We challenge this paradigm with EquiBind, an SE(3)-equivariant geometric deep learning model performing direct-shot prediction of both i) the receptor binding location (blind docking) and ii) the ligand's bound pose and orientation. EquiBind achieves significant speed-ups and better quality compared to traditional and recent baselines. Further, we show extra improvements when coupling it with existing fine-tuning techniques at the cost of increased running time. Finally, we propose a novel and fast fine-tuning model that adjusts torsion angles of a ligand's rotatable bonds based on closed-form global minima of the von Mises angular distance to a given input atomic point cloud, avoiding previous expensive differential evolution strategies for energy minimization.

연구 동기 및 목표

• 전통적인 도킹의 높은 비용을 줄이기 위해 heavy sampling 없이 결합 위치와 리간드 포즈를 직접 예측한다.
• 초기 3D 배치에 대한 예측의 불변성을 보장하기 위한 기하학적 귀납 편향을 도입한다.
• 로컬 결합 기하를 고정한 채 토션 각 조정을 통해 리간드 유연성을 모델링한다.
• 에너지 기반 미세 조정 방법을 보완할 수 있는 빠르고 미분가능한 프레임워크를 제공한다.

제안 방법

• 독립적인 SE(3)-등변 그래프 매칭 네트워크를 사용하여 리간드와 수용체의 특징 및 좌표를 공동으로 변환한다.
• 리간드와 수용체를 공간적 k-NN 그래프로 표현하고 IEGMN을 적용하여 고정된 물리량 변환에 불변인 자세 예측을 달성한다.
• SE(3)-등변 어텐션으로 결합 부위의 핵심 포인트를 식별하고 최적 수송 손실과 정렬하여 도킹 변환을 회복한다.
• 리간드의 유연성을 (i) 왜곡된 원자 포인트 클라우드를 학습하고 (ii) 빠른 토션 각 피팅 단계로 화학적으로 그럴듯한 형태를 강제하여 모델링한다.
• 회전 가능한 결합의 이성질체를 최대화하는 von Mises 가능도에 의해 회전 가능한 결합 이축을 추정하는 빠른 폐쇄형 방법을 도입하여 토션 최적화를 위한 반복적 미분 진화(im Differential Evolution)를 피한다.
• 선호에 따라 EquiBind를 기존의 에너지 기반 도킹 미세조정(Q, Q2, S 등)과 결합하여 최종 자세의 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 기하학에 민감한 엔드 투 엔드 모델이 Heavy candidate sampling 없이 리간드 결합 위치와 포즈를 예측할 수 있는가?
• RQ2 SE(3) 等變으로부터 초기 분자 방향에 관계없이 도킹 예측의 일관성을 보장하는 방법은 무엇인가?
• RQ3 현존하는 도킹에서 화학적 타당성을 유지하면서 리간드의 형태 변화를 효율적으로 모델링하는 방법은 무엇인가?
• RQ4 포스트-예측 토션 각 미세조정이 속도를 희생하지 않으면서 자세 정확도를 얼마나 개선할 수 있는가?

주요 결과

• EquiBind는 기존 도킹 파이프라인에 비해 상당한 속도 향상을 달성하면서 자세 품질이 경쟁적이거나 우수하다.
• 에너지 기반 미세조정(Q, Q2, S 등)으로의 미세조정은 실행 시간 비용을 관리 가능한 수준에서 결과를 더욱 향상시킨다.
• 토션 각 부피를 위한 빠르고 폐쇄형 피팅 방법은 대수적 진화(Differential Evolution)에 비해 확연히 짧은 시간에 형태를 바꿀 수 있으며 화학적 타당성을 유지한다.
• Rigid-body 버전(EquiBind-R)은 빠른 강체 재도킹에 잘 작동해 대량 스크리닝 파이프라인에 적합하다.
• EquiBind와 기존 도킹 미세조정을 결합한 하이브리드 접근 방식은 속도와 정확도 간의 유리한 트레이드를 제공한다.