[논문 리뷰] PepMLM: Target Sequence-Conditioned Generation of Therapeutic Peptide Binders via Span Masked Language Modeling

Tianlai Chen, Dumas, Madeleine외 18명|PubMed|2023. 10. 05.

Protein Degradation and Inhibitors참고 문헌 29인용 수 17

한 줄 요약

PepMLM은 타깃 시퀀스 조건부 생성기로, span 마스킹 전략을 사용하고 단백질 언어 모델을 미세조정하여 de novo 펩타이드 바인더를 설계하며, 바인더 효능의 in silico 및 실험적 검증을 제공합니다.

ABSTRACT

Target proteins that lack accessible binding pockets and conformational stability have posed increasing challenges for drug development. Induced proximity strategies, such as PROTACs and molecular glues, have thus gained attention as pharmacological alternatives, but still require small molecule docking at binding pockets for targeted protein degradation. The computational design of protein-based binders presents unique opportunities to access "undruggable" targets, but have often relied on stable 3D structures or structure-influenced latent spaces for effective binder generation. In this work, we introduce <b>PepMLM</b>, a target sequence-conditioned generator of <i>de novo</i> linear peptide binders. By employing a novel span masking strategy that uniquely positions cognate peptide sequences at the C-terminus of target protein sequences, PepMLM fine-tunes the state-of-the-art ESM-2 pLM to fully reconstruct the binder region, achieving low perplexities matching or improving upon validated peptide-protein sequence pairs. After successful <i>in silico</i> benchmarking with AlphaFold-Multimer, outperforming RFDiffusion on structured targets, we experimentally verify PepMLM's efficacy via fusion of model-derived peptides to E3 ubiquitin ligase domains, demonstrating endogenous degradation of emergent viral phosphoproteins and Huntington's disease-driving proteins. In total, PepMLM enables the generative design of candidate binders to any target protein, without the requirement of target structure, empowering downstream therapeutic applications.

연구 동기 및 목표

• 접근 가능한 결합 포켓이나 안정된 구조가 결여된 타깃에 대해 de novo 펩타이드 바인더를 생성하는 방법을 다룬다.
• 효과적인 재구성을 위해 cognate binder 서열을 C-말단에 배치하는 타깃 시퀀스-조건부 생성기를 개발한다.
• AlphaFold-Multimer 벤치마킹과 실험적 분해 분석으로 접근법을 평가한다.
• 타깃 구조에 의존하지 않고 모든 타깃 단백질에 대한 바인더 설계를 가능하게 한다.

제안 방법

• 타깃의 C-말단에 cognate binder 서열을 위치시키는 span masking을 도입한다.
• 최첨단 ESM-2 단백질 언어 모델을 미세조정하여 바인더 영역을 재구성한다.
• 구조화된 타깃에 대해 AlphaFold-Multimer와 대조하는 in silico 벤치마킹을 수행하고 RFDiffusion과 비교한다.
• 생성된 바인더를 E3 리가아제 도메인에 융합하여 타깃 단백질의 분해를 유도하는 실험적 검증을 수행한다.
• 타깃 구조 지식 없이 후보 바인더를 생성하는 능력을 평가한다.

실험 결과

연구 질문

• RQ1 타깃 시퀀스에 조건부인 span masking 전략이 바인더 영역의 신뢰할 수 있는 생성을 가능하게 할까?
• RQ2 이 조건부에서 단백질 언어 모델을 미세조정하는 것이 바인더 재구성 및 그 타당성을 향상시키는가?
• RQ3 구조화된 타깃에서 PepMLM이 기존 확산 기반 접근법에 비해 in silico에서 어떤 성능을 보이는가?
• RQ4 실험 분석에서 PepMLM 유래 바인더가 타깃 단백질의 분해를 촉진하는 효과가 있는가?

주요 결과

• PepMLM은 검증된 바인더 쌍과 일치하거나 더 향상된 바인더 재구성에 대해 낮은 perplexity를 달성한다.
• AlphaFold-Multimer를 이용한 in silico 벤치마킹은 PepMLM의 효과를 지지하며 구조화된 타깃에서 RFDiffusion보다 우수하다.
• 실험적 검증은 모델에서 도출된 펩타이드를 E3 리가아제 도메인에 융합시켜 새로운 바이러스 인산화 단백질과 헌팅턴병을 유발하는 단백질의 내부 분해를 보여준다.
• 이 접근법은 타깃 구조를 요구하지 않고도 모든 타깃 단백질에 대한 후보 바인더 생성을 가능하게 한다.