[논문 리뷰] Shape-conditioned 3D Molecule Generation via Equivariant Diffusion Models

Ziqi Chen, Bo Peng외 2명|arXiv (Cornell University)|2023. 08. 23.

Cell Image Analysis Techniques인용 수 7

한 줄 요약

이 논문은 기존의 활성 리간드의 3D 구조를 조건으로 삼아 3D 분자 구조를 생성하는 새로운 등방성 확산 생성 모델인 ShapeMol을 소개한다. 기울기 및 이동에 등방성인 형태 인코더와 형태 가이던스를 통한 조건부 확산 모델을 활용함으로써, 입력된 분자와 높은 3D 형태 유사도를 가지며 다양하고 약물 유사한 분자를 생성하며, 최신 기술 대비 형태 유지 및 분자 품질 측면에서 뛰어난 성능을 발휘한다.

ABSTRACT

Ligand-based drug design aims to identify novel drug candidates of similar shapes with known active molecules. In this paper, we formulated an in silico shape-conditioned molecule generation problem to generate 3D molecule structures conditioned on the shape of a given molecule. To address this problem, we developed a translation- and rotation-equivariant shape-guided generative model ShapeMol. ShapeMol consists of an equivariant shape encoder that maps molecular surface shapes into latent embeddings, and an equivariant diffusion model that generates 3D molecules based on these embeddings. Experimental results show that ShapeMol can generate novel, diverse, drug-like molecules that retain 3D molecular shapes similar to the given shape condition. These results demonstrate the potential of ShapeMol in designing drug candidates of desired 3D shapes binding to protein target pockets.

연구 동기 및 목표

• 단백질 타겟의 구조를 요구하지 않고도 원하는 형태를 가진 새로운 3D 분자를 생성하는 데 도전하는 것.
• 기존의 활성 리간드의 3D 형태를 조건으로 삼아 3D 분자 생성을 가능하게 하여 리간드 기반 약물 설계를 지원하는 것.
• 새로운 형태 가이던스를 통한 확산 과정을 통해 생성된 분자에서 형태의 정확성을 향상시키는 것.
• 형태 인코딩과 분자 생성 모두에서 이동 및 회전에 등방성을 유지하여 기하학적 일관성을 확보하는 것.

제안 방법

• 사전 학습된 등방성 형태 인코더가 3D 분자 표면 점군을 회전 및 이동에 등방성인 잠재 표현으로 매핑한다.
• 조건부 확산 모델이 원자 위치와 특성(예: 원자 종류, 아로마틱성 등)을 반복적으로 노이즈 제거함으로써 형태 잠재 표현을 조건으로 삼아 3D 분자를 생성한다.
• 생성된 원자들이 기준 분자의 형태 쪽으로 유도되도록 하는 새로운 형태 가이던스 손실을 도입하여 기하학적 정확성을 향상시킨다.
• 역노이즈 과정 동안 분자 형태 예측 정확도를 향상시키기 위해 단계별 가중치 부여 기법을 사용한다.
• 기하학적 및 화학적 유효성을 유지하는 노이즈 제거 목표를 통해 엔드 투 엔드로 모델을 훈련시킨다.
• 형태 가이던스를 통합한 변형 모델인 ShapeMol+g는 동적 가이던스 계수 γ와 노이즈 제거 단계 수 S를 통해 형태 유사도를 제어한다.

실험 결과

연구 질문

• RQ1 확산 기반 생성 모델이 기준 분자의 3D 형태를 조건으로 삼아 효과적으로 3D 분자를 생성할 수 있는가?
• RQ2 형태 인코딩과 분자 생성 모두에서 기하학적 등방성을 유지함으로써 기울기 및 이동에 대해 강건한 성능을 확보할 수 있는가?
• RQ3 형태 가이던스가 생성된 분자와 기준 조건 간의 3D 형태 유사도를 어느 정도 향상시킬 수 있는가?
• RQ4 다양한 수준의 형태 가이던스에서 분자 품질(예: QED)과 형태 유사도 간의 상호 교환 관계는 어떻게 나타나는가?
• RQ5 ShapeMol은 최신 기술 대비 새로운 다양성과 약물 유사성을 가진 높은 형태 유사도의 분자를 생성하는 데 어떻게 비교되는가?

주요 결과

• ShapeMol+g는 조건 분자와 평균 3D 형태 유사도 0.835를 기록하여 기준 모델들(0.759 for VS, 0.749 for SQUID)을 초월했다.
• 형태 가이던스 강도 γ와 노이즈 제거 단계 수 S가 증가함에 따라 평균 형태 유사도는 0.746에서 0.852로 증가하여 효과적인 형태 제어가 가능함을 입증했다.
• 강한 형태 가이던스 조건(γ=0.2, S=300)에서 평균 형태 유사도는 0.852였고, QED는 0.749에서 0.630으로 감소하여 형태 유사도와 분자 품질 간의 상충 관계를 확인했다.
• ShapeMol에서 생성된 분자들은 사례 연구를 통해 기준 모델들보다 높은 3D 형태 유사도와 더 나은 구조적 신선도를 보였다.
• ShapeMol은 조건 분자와 그래프 유사도는 낮지만 3D 형태 유사도는 높은 분자를 성공적으로 생성하여, 형태를 유지하면서도 새로운 화학적 공간을 탐색할 수 있는 능력을 입증했다.