[논문 리뷰] Intrinsic-Extrinsic Convolution and Pooling for Learning on 3D Protein Structures

Pedro Hermosilla, Marco Schäfer외 7명|arXiv (Cornell University)|2020. 07. 13.

Protein Structure and Dynamics참고 문헌 52인용 수 18

한 줄 요약

이 논문은 공유 결합 및 수소 결합, 3D 원자 좌표를 통해 주요, 이차 및 삼차 구조를 모델링함으로써 내재-외재 컨볼루션과 계층적 풀링을 사용하는 3D 단백질 구조 분석을 위한 새로운 딥러닝 프레임워크를 제안한다. 이 방법은 다중 수준의 불변성을 포착하여 단백질 접힘 및 효소 분류 작업에서 각각 46.5% 및 85.3%의 정확도로 기존 최고 성능 방법을 능가한다.

ABSTRACT

Proteins perform a large variety of functions in living organisms, thus playing a key role in biology. As of now, available learning algorithms to process protein data do not consider several particularities of such data and/or do not scale well for large protein conformations. To fill this gap, we propose two new learning operations enabling deep 3D analysis of large-scale protein data. First, we introduce a novel convolution operator which considers both, the intrinsic (invariant under protein folding) as well as extrinsic (invariant under bonding) structure, by using $n$-D convolutions defined on both the Euclidean distance, as well as multiple geodesic distances between atoms in a multi-graph. Second, we enable a multi-scale protein analysis by introducing hierarchical pooling operators, exploiting the fact that proteins are a recombination of a finite set of amino acids, which can be pooled using shared pooling matrices. Lastly, we evaluate the accuracy of our algorithms on several large-scale data sets for common protein analysis tasks, where we outperform state-of-the-art methods.

연구 동기 및 목표

• 기존 단백질 학습 방법이 주요, 이차 및 삼차 구조 수준을 동시에 모델링하지 못하는 한계를 해결하기 위해.
• 다양한 수준에서 단백질 특화의 구조적 불변성을 명시적으로 통합하는 딥러닝 아키텍처를 개발하기 위해.
• 새로운 계층적 풀링 연산을 통해 단백질의 다중 척도 분석을 가능하게 하기 위해.
• 하류 단백질 분류 작업에서 기존 최고 성능 방법을 능가하기 위해.
• 통합된 학습 과정에서 내재(결합 기반) 및 외재(3D 공간) 거리 양측을 활용하는 종단 간 프레임워크를 제공하기 위해.

제안 방법

• 공유 결합 및 수소 결합을 사용하여 주요 및 이차 구조를 표현하고, 3D 원자 좌표를 통해 삼차 구조를 표현하는 다중 그래프 데이터 구조를 제안한다.
• 유럽 거리와 다중 지오데식 거리를 다중 그래프에서 유도한 바탕으로 n차원 컨볼루션을 적용하는 내재-외재 컨볼루션 연산자를 도입한다.
• 다양한 단백질 크기에서 차원 감소 및 다중 척도 특징 학습을 가능하게 하는 단백질 특화의 계층적 풀링 연산자를 설계한다.
• 일회성 접힘 분류 성능 평가를 위해 시아미즈 네트워크 아키텍처를 활용한다.
• 컨볼루션 계층의 입력으로 3D 좌표 기반 표현과 결합 네트워크 특징을 조합한다.
• 내재(결합 네트워크) 및 외재(3D 공간) 거리 양측에 작용하는 학습 가능한 커널을 적용하여 구조적 불변성을 포착한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 주요, 이차 및 삼차 단백질 구조 수준을 통합된 표현으로 효과적으로 통합할 수 있는가?
• RQ2 내재(결합 기반) 및 외재(3D 공간) 거리의 조합이 단백질 표현 학습에 어떻게 기여하는가?
• RQ3 계층적 풀링 연산이 크기가 매우 다양한 단백질의 다중 척도 분석을 어느 정도 가능하게 하는가?
• RQ4 제안된 방법은 일회성 학습 설정에서 알려지지 않은 단백질 접힘에 일반화되는가?
• RQ5 제안된 아키텍처가 단백질 접힘 및 효소 분류 작업에서 기존 최고 성능 방법을 능가할 수 있는가?

주요 결과

• 제안된 방법은 단백질 접힘 분류 작업에서 46.5%의 정확도를 달성하여 이전 최고 성능 방법을 능가한다.
• 효소 촉매 반응 분류 작업에서는 평균 85.3%의 정확도를 기록하여 이전 최고 성능 결과를 초월한다.
• 제거 실험 결과, 단백질 특화 표현, 내재-외재 컨볼루션, 풀링 모두가 최적 성능을 내기 위해 필수적임을 확인한다.
• 모델은 알려지지 않은 단백질 접힘에 일반화되며, 일회성 접힘 분류에서 미리보지 않은 테스트 세트에서 31.9%의 정확도를 달성한다.
• 계층적 풀링 메커니즘 덕분에 다양한 단백질 크기와 구조적 복잡성에 대해 강건함을 보였다.
• 결과는 다중 수준의 단백질 구조를 명시적으로 모델링할 경우 시퀀스 전용 또는 3D 좌표 전용 기준선보다 더 정보가 풍부하고 일반화 가능한 표현이 된다는 것을 시사한다.