[논문 리뷰] Harmonic Self-Conditioned Flow Matching for Multi-Ligand Docking and Binding Site Design

H. Stärk, Bowen Jing외 2명|arXiv (Cornell University)|2023. 10. 09.

Innovative Microfluidic and Catalytic Techniques Innovation인용 수 7

한 줄 요약

이 논문은 자기조건부 유동 매칭 프레임워크를 사용하여 다중 리간드 시스템에서 단백질 결합 부위와 3D 리간드 자리를 함께 설계하는 딥 생성 모델인 FlowSite를 소개한다. 핵심 구성 요소인 HarmonicFlow는 반복적인 좌표 갱신을 통해 화학적으로 타당한 3D 리간드 구조를 직접 생성함으로써 도킹 성능을 향상시키며, PDBBind 벤치마크에서 간편성과 샘플 품질 면에서 확산 기반 방법을 능가한다. 또한 47.0%의 아미노산 복원율을 달성함으로써 종단 간 생성 결합 부위 설계를 가능하게 한다.

ABSTRACT

A significant amount of protein function requires binding small molecules, including enzymatic catalysis. As such, designing binding pockets for small molecules has several impactful applications ranging from drug synthesis to energy storage. Towards this goal, we first develop HarmonicFlow, an improved generative process over 3D protein-ligand binding structures based on our self-conditioned flow matching objective. FlowSite extends this flow model to jointly generate a protein pocket's discrete residue types and the molecule's binding 3D structure. We show that HarmonicFlow improves upon state-of-the-art generative processes for docking in simplicity, generality, and average sample quality in pocket-level docking. Enabled by this structure modeling, FlowSite designs binding sites substantially better than baseline approaches.

연구 동기 및 목표

• 작은 분자, 특히 동시에 여러 리간드를 수용하는 단백질 결합 부위를 설계하기 위한 종단 간 딥 러닝 프레임워크를 개발하는 것.
• 특히 진화 정보가 없는 경우에도 데이터 기반의 자동화된 다중 리간드 결합 부위 설계 방법의 부족을 해결하는 것.
• 단순성, 일반성, 샘플 품질 향상을 통해 기존의 분자 도킹을 위한 생성 모델을 향상시키는 것.
• 통합된 유동 기반 프레임워크 내에서 이산(아미노산 종류) 및 연속(3D 리간드 자세) 변수를 동시에 생성할 수 있도록 하는 것.
• 실제 생물분자 설계 과제에 대해 처음으로 유동 매칭을 적용하고, 확산 기반 접근법과 비교하여 유리한 성능을 보여주는 것.

제안 방법

• 학습된 벡터장을 사용하여 원자 좌표를 반복적으로 갱신함으로써 3D 리간드 자리를 생성하는 자기조건부 유동 매칭 방법인 HarmonicFlow를 제안한다.
• 리간드 좌표와 아미노산 종류를 초기화하기 위해 조화 임계를 사용한 후, 연속적인 유동 과정을 통해 타당한 결합 구성으로 정밀 조정한다.
• 동시에 아미노산 종류와 3D 리간드 구조를 생성할 수 있는 이산-연속 유동 모델을 도입하여 종단 간 결합 부위 설계를 가능하게 한다.
• 학습 중에 측쇄를 리간드로 간주함으로써 '가짜 리간드' 데이터 증강 전략을 도입하여 데이터 다양성과 모델 일반화 능력을 향상시킨다.
• 유동 갱신 과정에서 기하학적 불변성을 유지하기 위해 등변성 보정 레이어(TFN)를 적용한다.
• 노이즈에서 데이터로의 진짜 유동 경로와 학습된 벡터장 간의 격리 차이를 최소화하는 자기조건부 유동 매칭 목표를 사용하여 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 유동 기반 생성 모델이 고도의 정밀도로 단백질 결합 부위에서 이산적 아미노산 종류와 연속적 3D 리간드 자리를 함께 생성할 수 있는가?
• RQ2 HarmonicFlow가 기존의 확산 기반 방법에 비해 도킹 품질, 단순성, 일반성 면에서 뛰어나게 성능을 발휘하는가?
• RQ3 진화적 또는 구조적 사전 지식이 없는 다중 리간드 시스템의 결합 부위를 효과적으로 설계할 수 있는가?
• RQ4 가짜 리간드 데이터 증강의 포함이 결합 부위 설계의 일반화 능력과 성능 향상에 어느 정도 기여하는가?
• RQ5 자기조건부 유동 매칭 목표가 생물분자 생성 과제에서 표준 확산 또는 제품공간 확산과 비교하여 어떻게 성능을 발휘하는가?

주요 결과

• HarmonicFlow는 PDBBind에서 포켓 수준의 도킹 성능에서 최신 기술 수준을 달성하며, DiffDock와 같은 제품공간 확산 모델을 평균 샘플 품질 면에서 능가한다.
• 모델은 토퍼션 각도 제약 없이 오직 카르테시안 좌표 갱신에 의존하여 화학적으로 타당한 3D 리간드 구조를 생성한다.
• FlowSite는 실제 결합 부위 아미노산의 47.0%를 복원하며, 베이스라인 방법(39.4%)을 크게 능가하고, 진짜 리간드 자세를 알고 있는 오라클 방법(51.4%)에 근접한다.
• PDBBind와 Binding MOAD의 시퀀스 유사도 분할에서 각각 469개와 756개의 테스트 복합체를 통해 일반화 능력이 입증되었으며, 시간 기반 분할을 초월한 성능을 보였다.
• 가짜 리간드 데이터 증강 전략의 사용은 모델의 일반화 능력을 향상시켜 제한된 실제 결합 부위 데이터로도 효과적인 훈련을 가능하게 하였다.
• 본 연구는 생물분자 설계에 대해 처음으로 유동 매칭을 적용하였으며, 단백질-리간드 시스템에서 이산-연속 동시 생성을 위한 새로운 벤치마크를 수립하였다.