[논문 리뷰] Geometric Transformers for Protein Interface Contact Prediction

Alex Morehead, Chen Chen외 1명|arXiv (Cornell University)|2021. 10. 06.

Protein Structure and Dynamics참고 문헌 31인용 수 14

한 줄 요약

이 논문은 기하학적 어텐션을 갖춘 신규 그래프 트랜스포머인 Geometric Transformer를 특징으로 하는 엔드 투 엔드 딥 러닝 파이프라인인 DeepInteract를 소개한다. 이는 회전 및 이동 불변성 예측을 위해 단백질-단백질 상호작용 접합부를 예측한다. DIPS-Plus에서 훈련된 DeepInteract는 과도한 CASP-CAPRI 목표물에서 14%의 top L/5 정밀도를 기록하고 Docking Benchmark 5에서 1.1%를 기록하며, 단백질 잔기 그래프에서의 자기어텐션을 통해 3차원 구조 기하학과 장거리 잔기 상호작용을 효과적으로 모델링함으로써 기존 방법들을 능가한다.

ABSTRACT

Computational methods for predicting the interface contacts between proteins come highly sought after for drug discovery as they can significantly advance the accuracy of alternative approaches, such as protein-protein docking, protein function analysis tools, and other computational methods for protein bioinformatics. In this work, we present the Geometric Transformer, a novel geometry-evolving graph transformer for rotation and translation-invariant protein interface contact prediction, packaged within DeepInteract, an end-to-end prediction pipeline. DeepInteract predicts partner-specific protein interface contacts (i.e., inter-protein residue-residue contacts) given the 3D tertiary structures of two proteins as input. In rigorous benchmarks, DeepInteract, on challenging protein complex targets from the 13th and 14th CASP-CAPRI experiments as well as Docking Benchmark 5, achieves 14% and 1.1% top L/5 precision (L: length of a protein unit in a complex), respectively. In doing so, DeepInteract, with the Geometric Transformer as its graph-based backbone, outperforms existing methods for interface contact prediction in addition to other graph-based neural network backbones compatible with DeepInteract, thereby validating the effectiveness of the Geometric Transformer for learning rich relational-geometric features for downstream tasks on 3D protein structures.

연구 동기 및 목표

• 3차원 구조 데이터를 사용하여 단백질 복합체에서 파art너 특이적 잔기-잔기 접촉을 정확하게 예측하는 데 도전하는 것.
• 기존 방법들이 잔기 쌍을 독립적으로 다루고 단백질 접합부의 기하학적 및 관계적 맥락을 忽略하는 한계를 극복하는 것.
• 기하학적 딥 러닝과 기반 그래프 자기어텐션을 통합하여 더 효과적으로 복잡한 3차원 단백질 구조를 모델링하는 것.
• 동형다량체와 异형다량체 모두에 일반화되는 확장 가능한 엔드 투 엔드 파이프라인을 개발하는 것.
• 기하학적 인식 어텐션 메커니즘이 단백질 복합체에서 장거리 및 공간적으로 복잡한 상호작용을 포착하는 데 효과적인지 검증하는 것.

제안 방법

• 기하학적 트랜스포머는 상대 3차원 좌표에 기반해 노드 표현을 동적으로 업데이트하는 기하학적 진동 어텐션 메커니즘을 사용하여 회전 및 이동 불변성을 달성한다.
• 상대적 위치 인코딩을 단백질 잔기 간의 3차원 거리와 각도에서 유도한 그래프 신경망 기반 아키텍처를 사용하여 공간적 관계를 모델링한다.
• Chen 등(2021)에서 개선된 확장 컨볼루션 기반 상호작용 모듈을 통합하여 이체계 잔기 상호작용 예측을 정밀하게 조정한다.
• DeepInteract는 실험적으로 검증된 접합부를 갖춘 가장 큰 공개 가능하고 기능이 풍부한 단백질 복합체 구조 데이터셋인 DIPS-Plus에서 엔드 투 엔드로 훈련된다.
• 아키텍처는 동형다량체와 이형다량체 복합체 모두를 지원하며, 성능 평가에는 top-k 정밀도 및 재현율 지표가 사용된다.
• 모델은 Docker 컨테이너 및 PyTorch Lightning 체크포인트를 통해 배포되어 재현성과 플랫폼 독립적 사용을 보장한다.

실험 결과

연구 질문

• RQ1 표준 GNN과 트랜스포머에 비해 기하학적 인식 그래프 트랜스포머가 단백질-단백질 상호작용 접합부 예측 정확도를 향상시킬 수 있는가?
• RQ2 상대적 위치 인코딩을 통한 3차원 기하학적 특징 통합이 복잡하고 비대칭적인 단백질 접합부에서 성능 향상에 기여하는가?
• RQ3 기하학적 트랜스포머는 다양한 기하학적 대칭성을 가진 동형다량체와 이형다량체 복합체 모두에 일반화될 수 있는가?
• RQ4 CASP-CAPRI와 Docking Benchmark 5의 도전적인 비결합 단백질 복합체에서 모델의 성능은 어떠한가? 이 경우 구조적 탄성 및 결합 방식이 예측 가능성이 낮기 때문이다.
• RQ5 기하학적 자기어텐션은 정확한 접합부 예측에 필수적인 장거리 상호작용을 어느 정도 잘 포착하는가?

주요 결과

• DeepInteract는 13회차 및 14회차 CASP-CAPRI 실험에서 도전적인 19개 단백질 복합체에서 14%의 top L/5 정밀도를 기록하며, 기존 방법들을 크게 능가한다.
• Docking Benchmark 5 데이터셋에서 DeepInteract는 1.1%의 top L/5 정밀도를 기록하여 비결합적이고 탄성 있는 단백질 복합체에서 뛰어난 성능을 보였다.
• 모든 top-k 지표에서 GCN과 표준 그래프 트랜스포머 백본보다 Geometric Transformer가 승리했으며, 비대칭 기하학적 특성을 가진 이형다량체에서 특히 두각을 나타냈다.
• DIPS-Plus의 동형다량체와 이형다량체 양쪽에서 k ∈ {10, L/10, L/5, L/2}의 모든 k 값에서 정밀도와 재현율이 향상되어 강력한 일반화 능력을 확인했다.
• 기하학적 자기어텐션 통합은 결합 상태에서의 구조적 구형을 더 잘 모델링할 수 있게 하여, 결합 상태의 접합부 접촉을 더 정확하게 예측하게 했다.
• 기하학적으로 복잡한 접합부에서 Geometric Transformer의 성능 향상은 3차원 구조 추론을 위한 설계의 타당성을 입증한다.