[논문 리뷰] Generative AI for Controllable Protein Sequence Design: A Survey

Yiheng Zhu, Zitai Kong외 7명|arXiv (Cornell University)|2024. 02. 16.

Evolutionary Algorithms and Applications인용 수 4

한 줄 요약

이 종합적 서베이는 구조, 기능 및 고차원 목표와 같은 제약 조건을 기반으로 작업을 체계적으로 분류함으로써 제어 가능한 단백질 서열 설계를 위한 생성적 AI에 대한 종합적인 개요를 제공한다. MSA VAE, ProtGPT2, ProGen2 및 확산 기반 방법을 포함한 핵심 생성 모델과 최적화 기법을 검토하며, 종단 간 제약 조건 인식 단백질 설계를 가능하게 하는 역할을 다각도로 분석하고 약물 개발 및 효소 공학 분야의 적용 사례를 제시한다.

ABSTRACT

The design of novel protein sequences with targeted functionalities underpins a central theme in protein engineering, impacting diverse fields such as drug discovery and enzymatic engineering. However, navigating this vast combinatorial search space remains a severe challenge due to time and financial constraints. This scenario is rapidly evolving as the transformative advancements in AI, particularly in the realm of generative models and optimization algorithms, have been propelling the protein design field towards an unprecedented revolution. In this survey, we systematically review recent advances in generative AI for controllable protein sequence design. To set the stage, we first outline the foundational tasks in protein sequence design in terms of the constraints involved and present key generative models and optimization algorithms. We then offer in-depth reviews of each design task and discuss the pertinent applications. Finally, we identify the unresolved challenges and highlight research opportunities that merit deeper exploration.

연구 동기 및 목표

• 딥 도메인 전문 지식이 없는 연구자들에게도 제어 가능한 단백질 서열 설계를 이해하기 쉽게 풀어내어 기계학습과 생화학 간 격차를 메우기 위해.
• 이전 서베이가 새로운 설계나 돌연변이 기반 최적화와 같은 특정 방법론이나 작업에만 집중하여 간과하는 한계를 해결하기 위해.
• 구조, 기능 또는 고차원 목표와 같은 제약 유형에 따라 단백질 서열 설계 작업을 체계적으로 분류하기 위해.
• 자료 부족, 모델의 해석 가능성, 평가의 강건성과 같은 해결되지 않은 과제를 규명하고, 미개척된 연구 기회를 강조하기 위해.
• 다학제적 협업을 촉진하기 위해 현재의 진전을 맵핑하고 제어 가능한 단백질 설계 분야의 향후 발전을 위한 비전도를 제시하기 위해.

제안 방법

• 단백질 서열 설계 작업을 중심 도그마 기반으로 세 단계로 분류: 구조 → 서열, 기능 → 서열, 고차원 서열 설계.
• 자연 단백질 서열 분포를 학습하기 위한 기초 생성 모델 서베이 — MSA VAE, ProteinGAN, ProtGPT2, ProGen2, xTrimoPGLM, RITA, EvoDiff 포함.
• 조건부 생성 모델 및 최적화 알고리즘(예: StructTrans, StructG, 강화학습 포함) 검토 — 원하는 구조적 및 기능적 특성을 제어할 수 있도록 지원.
• 자기연쇄 모델 및 확산 기반 모델의 대안으로서의 가능성 있는 비자기연쇄 프레임워크 분석 — GFlowNet 및 Schrödinger Bridge.
• 사전 학습된 언어 모델(PLM)과 강화학습을 통합하여 목표 기능 향상을 위해 서열을 정밀 조정하면서도 생물학적 자연스러움을 유지하는 방법 탐색.
• 분포 기반 계산적 점수에 의존하는 것에서 벗어나, 과제에 특화되고 생물학적으로 의미 있는 평가 지표의 필요성 제안.

Figure 1: Illustration for controllable protein sequence design. (a) The upper diagram delineates the four integral tiers of the protein central dogma. Amino acid sequences fold to form specific protein structures, which determine protein functions. These varied functions integrate to perform higher

실험 결과

연구 질문

• RQ1 제어 가능한 단백질 서열 설계에서 강제하는 제약 조건에 기반해 생성적 AI 모델을 어떻게 체계적으로 분류할 수 있는가?
• RQ2 다양한 단백질 설계 과제에서 제어 가능한 설계를 가능하게 하는 핵심 생성 모델 아키텍처와 최적화 전략은 무엇인가?
• RQ3 현재 단백질 서열 설계의 평가 프로토콜이 생물학적으로 강건하지 않은 이유는 무엇이며, 어떻게 개선할 수 있는가?
• RQ4 자료 가용성, 모델의 해석 가능성, 벤치마킹과 관련된 주요 과제들은 무엇이며, 이는 분야 발전을 저해하는가?
• RQ5 사전 학습된 언어 모델과 강화학습을 어떻게 활용하여 단백질 서열 생성의 제어성과 자연스러움을 향상시킬 수 있는가?

주요 결과

• ProGen2 및 EvoDiff와 같은 생성 모델은 자연 단백질 서열 분포를 잘 모델링하여 다양하고 타당한 서열 생성에 강력한 성능을 보였다.
• StructTrans 및 StructG와 같은 조건부 생성 모델은 정확한 구조 → 서열 매핑을 가능하게 하였으며, 역폴딩 및 구조적 제약 준수 분야에서 유망한 결과를 보였다.
• 사전 학습된 언어 모델(PLM)의 강화학습을 통한 정밀 조정은 목표 기능 향상과 함께 서열의 자연스러움 유지 가능성을 보였다.
• 진전이 있었음에도 불구하고, 현재 평가 지표는 여전히 주로 분포 기반이며 생물학적 관련성이 부족하여, 과제에 특화되고 생물학적으로 기반을 둔 벤치마크의 필요성이 뚜렷하다.
• 종합적이고 보편적으로 인정받는 벤치마크가 부족한 상황이지만, 역폴딩 분야에선 ProteinInvBench가 구축되었으며, 더 넓고 현실적인 벤치마크가 긴급히 필요하다.
• GFlowNet 및 Schrödinger Bridge와 같은 비자기연쇄 프레임워크는 확산 모델의 타당한 대안으로서의 잠재력을 보이며, 단백질 서열 생성 분야에서 더 깊이 있는 연구가 필요하다.