[논문 리뷰] FABind: Fast and Accurate Protein-Ligand Binding

Qizhi Pei, Kaiyuan Gao외 8명|arXiv (Cornell University)|2023. 09. 21.

Computational Drug Discovery MethodsComputer Science인용 수 3

한 줄 요약

FABind는 유전자 기반 포켓 예측과 스케줄링된 훈련을 통해 훈련과 추론를 일치시키는 종단간 딥러닝 프레임워크로, 등방성 레이어, 좌표 및 거리 맵 손실, 반복적 정밀 조정을 통합함으로써 최신 기술 수준의 정확도(2Å 이하 RMSD 비율 33.1%)와 속도를 달성한다. 기존의 샘플링 및 회귀 기반 방법보다 뛰어나다.

ABSTRACT

Modeling the interaction between proteins and ligands and accurately predicting their binding structures is a critical yet challenging task in drug discovery. Recent advancements in deep learning have shown promise in addressing this challenge, with sampling-based and regression-based methods emerging as two prominent approaches. However, these methods have notable limitations. Sampling-based methods often suffer from low efficiency due to the need for generating multiple candidate structures for selection. On the other hand, regression-based methods offer fast predictions but may experience decreased accuracy. Additionally, the variation in protein sizes often requires external modules for selecting suitable binding pockets, further impacting efficiency. In this work, we propose $\mathbf{FABind}$, an end-to-end model that combines pocket prediction and docking to achieve accurate and fast protein-ligand binding. $\mathbf{FABind}$ incorporates a unique ligand-informed pocket prediction module, which is also leveraged for docking pose estimation. The model further enhances the docking process by incrementally integrating the predicted pocket to optimize protein-ligand binding, reducing discrepancies between training and inference. Through extensive experiments on benchmark datasets, our proposed $\mathbf{FABind}$ demonstrates strong advantages in terms of effectiveness and efficiency compared to existing methods. Our code is available at https://github.com/QizhiPei/FABind

연구 동기 및 목표

• 기존 단백질-리간드 도킹 방법에서 효율성과 정확도의 상충 관계를 해결하기 위해.
• 외부 포켓 탐지 모듈이 필요 없도록 리간드 인식 포켓 예측을 모델에 직접 통합함으로써.
• 스케줄링된 샘플링을 통해 포켓 사용을 일치시켜 훈련과 추론 간 일致성을 확보하기 위해.
• 포켓 예측과 자세 정밀 조정의 공동 최적화를 통해 도킹 정확도와 효율성을 향상시키기 위해.
• 사전 포켓 사전 지식 없이도 새로운 단백질과 도전적인 결합 부위에 일반화할 수 있도록 하기 위해.

제안 방법

• FABind는 등방성 레이어와 기하학적 인식 업데이트를 사용한 통합 아키텍처를 포켓 예측과 도킹에 모두 적용하여 종단간 훈련을 가능하게 한다.
• 리간드 정보를 통합한 유전자 기반 포켓 예측 모듈은 특정 리간드에 가장 가능성이 높은 결합 부위를 예측함으로써 정확도와 효율성을 향상시킨다.
• Gumbel-Softmax 기반 중심 제약은 아미노산에 확률적 가중치를 할당하여 포켓 중심 예측을 정밀하게 개선한다.
• 스케줄링된 샘플링을 통해 예측된 포켓을 점진적으로 도킹 훈련 과정에 통합함으로써 훈련과 추론 간 일致성을 확보한다.
• 도킹 헤드는 직접 좌표 최적화와 단백질-리간드 거리 맵 정밀 조정을 모두 사용하여 자세 정확도를 향상시킨다.
• 반복적 정밀 조정과 크로스 어텐션 메커니즘은 특히 2Å 이하 RMSD에서 세밀한 자세 예측을 향상시킨다.

실험 결과

연구 질문

• RQ1 포켓 예측과 도킹의 종단간 공동 훈련이 이중 단계 접근법보다 정확도와 효율성 측면에서 향상되는가?
• RQ2 포켓 예측에 리간드 정보를 통합하면 정확도와 일반화 능력, 특히 새로운 단백질에 대해 어떻게 영향을 미치는가?
• RQ3 스케줄링된 샘플링 전략이 도킹 모델에서 훈련과 추론 간 분포 이탈을 어느 정도 줄이는가?
• RQ4 거리 맵 손실과 반복적 정밀 조정이 2Å 이하 해상도에서 자세 정확도에 기여하는 정도는 어떠한가?
• RQ5 사전 포켓 사전 지식 없이도 대규모이고 이전에 본 적 없는 단백질에 일반화되어 정상 결합 부위를 정확히 식별할 수 있는가?

주요 결과

• FABind는 기준 데이터셋에서 평균 RMSD 6.4 Å를 기록하고, 2Å 이하 RMSD 비율이 33.1%에 달하여 기존 방법보다 정확도와 효율성에서 뛰어나다.
• 중심 제약을 제거하면 성능이 크게 떨어지며, 이는 정확한 포켓 국소화에서 중심 제약의 중요성을 입증한다.
• 포켓 예측에 리간드 정보를 통합하면 정확도와 추론 속도가 모두 향상되며, 특히 관련 없는 결합 부위를 효과적으로 제거하는 데 유리하다.
• 스케줄링된 샘플링 전략은 훈련과 추론 간 일치를 향상시켜 일반화 능력을 향상시키며, 포켓 사용의 이질성을 줄인다.
• 제거 분석 결과, 거리 맵 기반 손실이 전체 성능 기여도에서 가장 크며, 반복적 정밀 조정과 크로스 어텐션은 2Å 이하 정확도 향상에 기여한다.
• 사례 연구에서 FABind는 다른 모델이 실패한 대규모 새로운 단백질(PDB 6NPI)에서 정확한 결합 부위를 성공적으로 식별했으며, PDB 6G3C에서는 0.8 Å RMSD를 기록하여 DiffDock와 정확도는 동일하지만 추론 속도는 더 빠르게 성능을 냈다.