[논문 리뷰] NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models

Zhuoran Qiao, Feizhi Ding외 11명|arXiv (Cornell University)|2024. 12. 14.

Cell Image Analysis Techniques인용 수 8

한 줄 요약

NeuralPLexer3 (NP3) 는 물리학에서 영감을 받은 흐름 기반 생성 모델을 사용하여 생분자 복합체 구조를 예측하며 최첨단 정확도와 이전 방법들보다 빠른 추론을 달성합니다. 이는 AlphaFold3를 포함합니다. 다양한 생분자 상호작용에서 강한 물리적 타당성과 리간드 유발 구성 변화 예측을 달성합니다.

ABSTRACT

Structure determination is essential to a mechanistic understanding of diseases and the development of novel therapeutics. Machine-learning-based structure prediction methods have made significant advancements by computationally predicting protein and bioassembly structures from sequences and molecular topology alone. Despite substantial progress in the field, challenges remain to deliver structure prediction models to real-world drug discovery. Here, we present NeuralPLexer3 -- a physics-inspired flow-based generative model that achieves state-of-the-art prediction accuracy on key biomolecular interaction types and improves training and sampling efficiency compared to its predecessors and alternative methodologies. Examined through newly developed benchmarking strategies, NeuralPLexer3 excels in vital areas that are crucial to structure-based drug design, such as physical validity and ligand-induced conformational changes.

연구 동기 및 목표

• 서열과 토폴로지로부터 일반화된 생분자 복합체 구조(단백질, 핵산, 리간드, 이온, PTM)를 de novo로 예측하는 것을 진전시키다.
• 구조 모델링에서 물리적 타당성과 리간드 유발 구성 변화 예측을 향상시키다.
• 선행 연구 및 경쟁 방법에 비해 학습 및 샘플링 효율성을 향상시키다.
• 상호작용 유형, 구성 변화 및 물리화학적 타당성을 평가하기 위한 벤치마크(PoseBusters, NPBench, ConfBench)를 설정하다.

제안 방법

• 정보적 사전으로부터 모든 무거운 원자 좌표를 샘플링하기 위해 연속 정규화 흐름을 포함하는 조건부 흐름 기반 생성 모델을 활용한다.
• Langevin 이완을 활용한 구형 고분자(globular polymer) 모델을 통해 물리학에서 영감을 받은 사전 지식을 적용하여 타당한 초기 구성들을 생성한다.
• 안정적이고 효율적인 학습을 위해 대칭 인식 순열 모듈 및 벡터장 재매개변화를 이용한 흐름 매칭(flow matching)을 적용한다.
• 앵커 기반 컨디셔닝, MSA 파생 특징 및 기하학적 바이어스를 갖춘 확산-트랜스포머 디코더를 포함하는 인코더-디코더 아키텍처를 사용한다.
• 메모리와 추론 시간을 줄이기 위한 Flash-TriangularAttention 도입으로 더 큰 크롭 사이즈와 더 빠른 예측을 가능하게 한다.
• NP3를 PoseBusters, NPBench, CASP15 RNA 타깃과 벤치마크하고 RMSD, PB-valid, LDDT, DockQ를 포함한 지표를 보고한다.

실험 결과

연구 질문

• RQ1 다양한 생분자 상호작용에서 NP3가 단백질-리간드 결합 구조 예측에서 AlphaFold3를 능가할 수 있는가?
• RQ2 물리적으로 정보를 가진 프리어와 효율적인 샘플러가 구조 예측의 물리적 타당성과 속도에 어떤 영향을 미치는가?
• RQ3 리간드 유발 구성 변화 및 PTM에 대해 NP3의 성능은 여러 생분자 모달리티에서 어떠한가?
• RQ4 새로운 벤치마크(NPBench, ConfBench)가 첨단 모델의 구성 변화 및 상호작용 예측 능력을 얼마나 잘 드러내는가?

주요 결과

• NP3은 PoseBusters-V2에서 RMSD와 PB-valid 기준을 합친 78.4%의 종합 성공률을 달성하여 AlphaFold3의 73.1%를 능가한다.
• NP3은 리간드 결합 예측에서 RMSD < 2 Å를 80.2% 달성하고, 이는 AlphaFold3의 80.4%와 비슷하며, 리간드 입체화 예측 정확도에서도 98.8%를 달성한다.
• NP3은 단일 L40S GPU에서 약 30초 안에 결과를 도출해 추론 속도가 빠르며, AlphaFold3의 약 6 A100-분과 비교되며 AF3 타이밍 통계 대비 15배 빠른 예측을 달성한다.
• PoseBusters에서 NP3은 DockQ > 0.23인 저동질성 단백질-단백질 인터페이스에서 52.7%의 성공과 단백질 단량체에서 87.1%의 LDDT를 달성하여 유사한 작업에서 AlphaFold2-Multimer 결과와 근접한 성능을 보인다.
• NP3은 NPBench, CASP15 RNA 타깃( AF3 대비 46.5% 대 47.3%), 단백질-핵산 인터페이스 등 다양한 타깃에서 강력한 일반화 성능을 보여준다.
• ConfBench 벤치마킹에 따르면 NP3은apo/holo 포켓 구성이 AF2-M보다 앞서며 전체적으로 67.4%의 apo 및 69.9%의 holo 정답성을 보인다; 키나제 중심 결과는 77.8% apo 및 72.5% holo 정답성이다.