[논문 리뷰] HelixFold-Multimer: Elevating Protein Complex Structure Prediction to New Heights

Xiaomin Fang, Jie Gao외 5명|arXiv (Cornell University)|2024. 04. 16.

Enzyme Structure and Function인용 수 6

한 줄 요약

HelixFold-Multimer는 단백질 복합체 구조 예측을 크게 향상시키며, 특히 항원-항체, 나노바디-항원, 펩타이드-단백질 인터페이스에서 AlphaFold-Multimer보다 여러 시나리오에서 앞서고 PaddleHelix에서 공개 가능하다.

ABSTRACT

While monomer protein structure prediction tools boast impressive accuracy, the prediction of protein complex structures remains a daunting challenge in the field. This challenge is particularly pronounced in scenarios involving complexes with protein chains from different species, such as antigen-antibody interactions, where accuracy often falls short. Limited by the accuracy of complex prediction, tasks based on precise protein-protein interaction analysis also face obstacles. In this report, we highlight the ongoing advancements of our protein complex structure prediction model, HelixFold-Multimer, underscoring its enhanced performance. HelixFold-Multimer provides precise predictions for diverse protein complex structures, especially in therapeutic protein interactions. Notably, HelixFold-Multimer achieves remarkable success in antigen-antibody and peptide-protein structure prediction, greatly surpassing AlphaFold 3. HelixFold-Multimer is now available for public use on the PaddleHelix platform, offering both a general version and an antigen-antibody version. Researchers can conveniently access and utilize this service for their development needs.

연구 동기 및 목표

• 다중 체인 단백질 복합체 구조 예측의 정확도를 모노머 중심 모델보다 향상한다.
• 도메인 전문 지식을 아키텍처, 특징 및 학습에 통합하여 교차 체인 상호작용 모델링을 개선한다.
• 항원-항체 및 펩타이드-단백질 복합체를 포함한 치료용 단백질 상호작용에 대한 신뢰가능한 예측을 enable한다.
• PaddleHelix 플랫폼에서 일반 버전과 항원-항체 버전의 공용성 및 사용 편의성 중심 버전을 제공한다.

제안 방법

• HelixFold 및 HelixFold-Single 기반을 바탕으로 일반 버전과 항원-항체 버전의 두 가지 버전을 개발한다.
• DockQ를 주요 평가 지표로 AlphaFold 및 RoseTTAFold와 벤치마킹한다.
• 모델 신뢰도를 평가하고 DockQ와의 상관관계를 파악하기 위해 pLDDT, PTM, iPTM 및 신뢰도 점수를 사용한다.
• 다양한 큐레이션 데이터셋에서 평가한다: 이종 단백질 복합체, 단백질-펩타이드 복합체, 항원-항체 및 나노바디-항원 인터페이스.
• 종 간 종 및 항원 서열-학습 데이터 간의 일반화 이해를 위해 학습 데이터에 대한 항원 서열 일치도에 따른 성능을 분석한다.

실험 결과

연구 질문

• RQ1 HelixFold-Multimer가 이종 단백질 복합체 및 펩타이드-단백질 인터페이스를 예측하는 데 있어 AlphaFold-Multimer를 능가할 수 있는가?
• RQ2 항원-항체 및 나노바디-항원 인터페이스에서 HelixFold-Multimer의 성능은 기준 모델과 비교해 어떤가?
• RQ3 항체 관련 예측의 신뢰도 지표(CFS, iPTM, pLDDT)와 DockQ 정확도 간의 관계는 어떠한가?
• RQ4 항원 종(origin) 및 학습 데이터에 대한 서열 일치도가 예측 정확도에 영향을 미치는가?

주요 결과

• HelixFold-Multimer의 이종 복합체에 대한 중간 DockQ는 0.304로 AlphaFold(0.316)와 유사하다.
• HelixFold-Multimer는 이종 복합체에서 57.8%의 정확도(DockQ > 0.23) 달성으로 AlphaFold의 53.6%를 상회한다.
• 단백질-펩타이드 도킹의 경우, HelixFold-Multimer의 중간 DockQ는 0.295이고 DockQ > 0.23의 성공률은 68.9%로 AlphaFold(중간 0.262, 성공 54.1%)를 능가한다.
• 항체-항원 인터페이스: HelixFold-Multimer의 평균 DockQ는 0.390이고 DockQ > 0.23의 비율은 52.7%인 반면 AlphaFold는 평균 0.195, RoseTTAFold는 낮다.
• 나노바디-항원 인터페이스: 중간 DockQ 0.703, 평균 0.538, DockQ > 0.23은 69.2%로 AlphaFold와 RoseTTAFold를 능가한다.
• VH-VL 항체 인터페이스: HelixFold-Multimer 중간 DockQ 0.823 대 AlphaFold 0.774, RoseTTAFold 0.653; DockQ > 0.8은 59.5% 대 AlphaFold 37.4%, RoseTTAFold 19.1%이다.
• 신뢰도 지표(CFS 및 iPTM)는 DockQ와 강한 상관관계를 보여 항체 설계에 대해 신뢰성 있는 신뢰성 가이드를 제공한다.