[논문 리뷰] Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking

Octavian-Eugen Ganea, Xinyuan Huang외 5명|arXiv (Cornell University)|2021. 11. 15.

Protein Structure and Dynamics인용 수 53

한 줄 요약

EquiDock은 단일 쌍 독립적인 SE(3)-등가 그래프 매칭 네트워크를 도입하여 단백질 쌍에 대해 강체 도킹 자세를 직접 예측하고, 초기 배치와 역할에 대한 출력 불변성을 보장하며 무거운 샘플링이나 템플릿 없이 빠른 엔드투엔드 도킹을 달성합니다.

ABSTRACT

Protein complex formation is a central problem in biology, being involved in most of the cell's processes, and essential for applications, e.g. drug design or protein engineering. We tackle rigid body protein-protein docking, i.e., computationally predicting the 3D structure of a protein-protein complex from the individual unbound structures, assuming no conformational change within the proteins happens during binding. We design a novel pairwise-independent SE(3)-equivariant graph matching network to predict the rotation and translation to place one of the proteins at the right docked position relative to the second protein. We mathematically guarantee a basic principle: the predicted complex is always identical regardless of the initial locations and orientations of the two structures. Our model, named EquiDock, approximates the binding pockets and predicts the docking poses using keypoint matching and alignment, achieved through optimal transport and a differentiable Kabsch algorithm. Empirically, we achieve significant running time improvements and often outperform existing docking software despite not relying on heavy candidate sampling, structure refinement, or templates.

연구 동기 및 목표

• 구성 변화를 수반하지 않는 빠르고 엔드투엔드의 강체 단백질 도킹을 촉진한다.
• 초기 구성 및 단백질 역할에 대한 출력 불변성을 보장하기 위해 SE(3)-등가성과 교환법칙(성질)을 강제한다.
• 도킹 자세 예측을 위한 쌍별 독립 SE(3)-등가 그래프 매칭 네트워크(IEGMN)를 개발한다.
• 어텐션 기반 키포인트와 최적 수송을 사용하여 결합 포켓을 정렬하고, 이어서 미분가능한 Kabsch 기반 자세 회복을 수행한다.
• 표준 벤치마크에서 기존 도킹 소프트웨어에 비해 속도 향상과 경쟁력 있는 정확도를 시연한다.

제안 방법

• 각 단백질을 SE(3)-불변의 노드/에지 특성을 갖는 k-NN 그래프로 표현한다.
• Independent E(3)-등가 그래프 매칭 네트워크(IEGMN)를 통해 R(X1|X2)와 t(X1|X2)를 계산하여 쌍별 SE(3)-등가성을 보장한다.
• 다중-헤드 어텐션을 통해 각 단백질의 K 개의 결합 포켓 키포인트를 예측하고, 키포인트를 이용해 미분가능한 Kabsch로 정렬한다.
• 최종 도킹된 리간드 위치에 대한 MSE 손실과 예측 키포인트를 결합 포켓 프록시 포인트에 정렬하기 위한 OT 손실을 함께 사용하여 학습한다.
• 바디 간 겹침을 방지하기 위한 소프트 비충돌 손실과 깊이 정보를 포착하는 표면 인식 잔여 특징을 포함한다.

실험 결과

연구 질문

• RQ1 쌍별 독립적인 SE(3)-등가 모델이 비결합 상태의 단백질 구조로부터 도킹 변환을 직접 예측할 수 있는가?
• RQ2 SE(3)-등가 제약과 교환법칙이 초기 배치나 단백질 역할에 관계없이 일관된 도킹 출력을 보장하는가?
• RQ3 어텐션 기반 키포인트 선택과 최적 수송의 결합이 도킹 중 결합 포켓의 정렬에 효과적인가?
• RQ4 미분가능한 Kabsch 정렬만으로 무거운 샘플링이나 템플릿 없이도 정확한 도킹 자세를 복구하는 데 충분한가?
• RQ5 표준 데이터 세트에서 EquiDock의 속도와 정확도는 확립된 도킹 도구와 비교해 어떤가?

주요 결과

• EquiDock은 표준 벤치마크에서 무거운 후보 샘플링이나 템플릿 없이도 최신 도킹 성능에 근접하다.
• 모델은 일반적인 도킹 소프트웨어에 비해 도킹 속도를 80-500배 가속한다.
• IEGMN 층은 쌍별 독립 SE(3)-등가 임베딩을 제공하여 입력 구성 간 전달 가능성을 가능하게 한다.
• OT 기반 손실이 키포인트가 결합 포켓을 잘 나타내도록 효과적으로 유도하여 자세 정렬을 향상시킨다.
• 미분가능한 Kabsch는 리간드를 수용체에 정렬하는 일관된 강체 변환을 산출하여 SE(3) 불변성과 교환성을 보존한다.
• 보고된 표에서 EquiDock은 DIPS 및 DB5.5 테스트 세트에서 Complex RMSD와 Interface RMSD 측면에서 종종 Baseline보다 우수하다.