[논문 리뷰] Full-Atom Peptide Design with Geometric Latent Diffusion

Xiangzhe Kong, Jia, Yinjun외 2명|arXiv (Cornell University)|2024. 02. 21.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 표적 결합 부위를 조건으로 삼는 엔드 투 엔드 전체 원자 펩타이드 설계를 위한 기하학적 잠재 확산 모델인 PepGLAD를 소개한다. 고정 크기의 잠재 표현과 수용체 특화 아핀 변환을 통해 전체 원자 기하학성과 변동하는 결합 기하학성을 다루며, 18% 높은 다양성, 8% 높은 인 시알로 성공률, 기준 결합 구조의 26% 향상된 복원도를 달성한다.

ABSTRACT

Peptide design plays a pivotal role in therapeutics, allowing brand new possibility to leverage target binding sites that are previously undruggable. Most existing methods are either inefficient or only concerned with the target-agnostic design of 1D sequences. In this paper, we propose a generative model for full-atom extbf{Pep}tide design with extbf{G}eometric extbf{LA}tent extbf{D}iffusion (PepGLAD) given the binding site. We first establish a benchmark consisting of both 1D sequences and 3D structures from Protein Data Bank (PDB) and literature for systematic evaluation. We then identify two major challenges of leveraging current diffusion-based models for peptide design: the full-atom geometry and the variable binding geometry. To tackle the first challenge, PepGLAD derives a variational autoencoder that first encodes full-atom residues of variable size into fixed-dimensional latent representations, and then decodes back to the residue space after conducting the diffusion process in the latent space. For the second issue, PepGLAD explores a receptor-specific affine transformation to convert the 3D coordinates into a shared standard space, enabling better generalization ability across different binding shapes. Experimental Results show that our method not only improves diversity and binding affinity significantly in the task of sequence-structure co-design, but also excels at recovering reference structures for binding conformation generation.

연구 동기 및 목표

• 표적 결합 부위를 조건으로 삼는 1차원 펩타이드 서열과 3차원 전체 원자 구조의 엔드 투 엔드 공동 설계를 가능하게 하기 위해.
• 확산 모델에서 크기가 변하는 전체 원자 잔기 문제를 해결하기 위해 고정된 차원의 잠재 표현을 학습함으로써 VAE를 통해 해결하기 위해.
• 수용체 특화 아핀 변환을 사용하여 3차원 좌표를 공통 표준 공간으로 매핑함으로써 다양한 결합 기하학성에 대한 일반화를 향상시키기 위해.
• PDB와 문헌 데이터를 조합하여 전체 원자 펩타이드 설계를 위한 새로운 훈련 데이터셋을 구축하기 위해.
• 기존 방법에 비해 더 높은 다양성, 결합 친화도, 그리고 구조적 정확도를 달성하기 위해.

제안 방법

• 변동 크기의 전체 원자 잔기를 고정된 차원의 잠재 벡터로 인코딩하기 위해 변동형 자료화 모델(VAE)을 훈련시키며, 이는 3차원 좌표와 숨겨진 특징을 포함한다. 이를 통해 일관된 잠재 공간에서 확산이 가능해진다.
• VAE 인코더와 디코더는 전체 원자 입력과 출력을 특별히 고려하여 설계되어, 생성 과정에서 원자 수준의 상호작용을 유지한다.
• 수용체 특화 아핀 변환은 결합 부위의 중심 이격과 공분산 행렬의 코レス키 분해를 기반으로 유도되며, 데이터 좌표를 표준 정규 분포 공간으로 매핑한다.
• 확산 과정은 공통 표준 공간에서 수행되어 다양한 결합 부위 기하학성에 대한 일반화를 향상시키며, 미리 보지 못한 형태로의 전이 학습을 가능하게 한다.
• 모델은 VAE와 확산 과정 양쪽 모두 수용체의 3차원 구조를 조건으로 삼아, 안정적이고 높은 친화도를 가진 상호작용을 유도하는 서열 및 구조 생성을 이끈다.
• 에너지 평가 및 결합 친화도 검증을 위해 로사타와 통합되며, PyRosetta를 사용해 결합 성공 여부를 평가하기 위해 dG_separated 값을 계산한다.

실험 결과

연구 질문

• RQ1 잠재 확산 모델은 원자 수준의 상호작용을 유지하면서 전체 원자 펩타이드 구조를 효과적으로 생성할 수 있는가?
• RQ2 크기가 변하는 전체 원자 잔기를 고정 크기의 확산 프레임워크 내에서 어떻게 모델링할 수 있는가?
• RQ3 수용체 특화 아핀 변환은 다양한 단백질-펩타이드 결합 기하학성에 대한 일반화를 향상시킬 수 있는가?
• RQ4 제안된 방법은 기존 기준 대비 다양성과 인 시알로 결합 성공률을 얼마나 향상시키는가?
• RQ5 모델은 알려진 펩타이드-수용체 복합체의 기준 결합 구조를 정확히 복원할 수 있는가?

주요 결과

• PepGLAD는 기준 방법 대비 서열-구조 공동 설계의 다양성을 18% 향상시켰다.
• 서열-구조 공동 설계에서 결합 친화도 예측의 인 시알로 성공률이 8% 향상되었다.
• 기존 복합체의 기준 결합 구조를 복원하는 데 있어 26%의 절대적 향상도를 달성했다.
• 수용체 특화 아핀 변환의 사용은 조건이 없는 형태로도 다양한 결합 부위 기하학성에 대한 일반화를 향상시켰다.
• VAE 기반의 잠재 표현은 확산 과정 동안 전체 원자 기하학성을 효과적으로 유지했으며, 고정밀도의 구조 생성을 지원했다.
• 다양성과 결합 구조 복원도 모두에서 RFDiffusion, FlexPepDock, AlphaFold2, HSRN 등 강력한 기준 대비 모델이 모델을 능가했다.