[논문 리뷰] SS-GNN: A Simple-Structured Graph Neural Network for Affinity Prediction

Shuke Zhang, Yanzhao Jin외 5명|arXiv (Cornell University)|2022. 05. 25.

Computational Drug Discovery Methods인용 수 7

한 줄 요약

SS-GNN는 거리 임계값을 사용하여 단일 무방향 그래프를 구성함으로써 단백질-리간드 복합체에서 약물-표적 결합 친화도를 예측하는 경량이며 단순한 구조의 그래프 신경망이다. 공유 결합을 무시함으로써 계산 비용을 줄이며, PDBbind v2016 코어 세트에서 상위 성능을 기록하여 기존의 GNN 기반 방법보다 5.2% 향상된 피어슨 상관계수 0.853를 달성한다. 예측당 0.2ms의 높은 효율성을 유지한다.

ABSTRACT

Efficient and effective drug-target binding affinity (DTBA) prediction is a challenging task due to the limited computational resources in practical applications and is a crucial basis for drug screening. Inspired by the good representation ability of graph neural networks (GNNs), we propose a simple-structured GNN model named SS-GNN to accurately predict DTBA. By constructing a single undirected graph based on a distance threshold to represent protein-ligand interactions, the scale of the graph data is greatly reduced. Moreover, ignoring covalent bonds in the protein further reduces the computational cost of the model. The GNN-MLP module takes the latent feature extraction of atoms and edges in the graph as two mutually independent processes. We also develop an edge-based atom-pair feature aggregation method to represent complex interactions and a graph pooling-based method to predict the binding affinity of the complex. We achieve state-of-the-art prediction performance using a simple model (with only 0.6M parameters) without introducing complicated geometric feature descriptions. SS-GNN achieves Pearson's Rp=0.853 on the PDBbind v2016 core set, outperforming state-of-the-art GNN-based methods by 5.2%. Moreover, the simplified model structure and concise data processing procedure improve the prediction efficiency of the model. For a typical protein-ligand complex, affinity prediction takes only 0.2 ms. All codes are freely accessible at https://github.com/xianyuco/SS-GNN.

연구 동기 및 목표

• 약물 발굴에서 효율적이고 정확한 약물-표적 결합 친화도(DTBA) 예측의 과제를 해결하기 위해.
• GNN 기반 DTBA 모델의 계산 복잡도를 단순화된 그래프 표현과 공유 결합 의존성 제거를 통해 감소시키기 위해.
• 복잡한 기하학적 또는 수작업으로 설계된 특징에 의존하지 않고도 높은 예측 성능를 유지하는 가벼운 모델을 개발하기 위해.
• 대규모 분자 도킹 응용 프로그램을 위한 예측 효율성을 향상시키면서도 최상의 정확도를 달성하기 위해.
• 단순화된 아키텍처와 엣지 기반 특징 집약을 통해 제한된 학습 데이터에서 효과적인 학습을 가능하게 하기 위해.

제안 방법

• 거리 임계값을 사용하여 단백질-리간드 복합체에서 단일 무방향 그래프를 구성함으로써 상호작용을 정의하고, 그래프 크기와 계산 부담을 감소시킨다.
• 계산 비용을 추가로 줄이기 위해 단백질 내 공유 결합을 제외함으로써 핵심 비공유 상호작용을 유지한다.
• 원자와 엣지의 잠재 특징을 독립적으로 학습하는 GNN-MLP 모듈을 활용하여 효율적인 메시지 전달을 가능하게 한다.
• 복합적인 다원자 상호작용을 표현하기 위해 엣지 기반의 원자 쌍 특징 집약 방법을 도입한다.
• 그래프 풀링 기반의 회귀 헤드를 사용하여 그래프 수준의 표현에서 직접 결합 친화도를 예측한다.
• 최소한의 파라미터(0.6M)로 강력한 노드 및 엣지 표현 학습을 가능하게 하는 그래프 이sovomorphism 네트워크(GIN)-기반 인코더를 활용한다.

실험 결과

연구 질문

• RQ1 거리 임계값 기반의 단순화된 그래프 표현이 결합 친화도 예측을 위한 핵심 단백질-리간드 상호작용을 효과적으로 포착할 수 있는가?
• RQ2 단백질 구조에서 공유 결합을 제외함으로써 예측 성능에 영향을 주지 않고 계산 비용을 상당히 감소시킬 수 있는가?
• RQ3 최소한의 아키텍처 복잡도를 가진 경량 GNN 아키텍처가 더 복잡한 최신 SOTA GNN보다 DTBA 예측에서 뛰어난 성능을 낼 수 있는가?
• RQ4 제안된 엣지 기반의 원자 쌍 특징 집약 방법은 표준 GNN 메시지 전달 방식에 비해 복잡한 상호작용을 어떻게 더 잘 모델링하는가?
• RQ5 모델의 효율성(추론 시간)이 대규모 가상 스크리닝 응용 프로그램에 대해 어떻게 스케일링되는가?

주요 결과

• SS-GNN는 PDBbind v2016 코어 세트에서 피어슨 상관계수 0.853를 기록하여 기존의 최상의 GNN 기반 방법보다 5.2% 상대적 향상된 성능을 달성한다.
• 단지 0.6백만 개의 파라미터로 최상의 성능를 달성하여 높은 효율성과 강력한 일반화 능력을 입증한다.
• 일반적인 단백질-리간드 복합체의 경우, 친화도 예측에 단 0.2ms가 소요되며, HPC/HWPC와 같은 다른 방법들(샘플당 12,000ms)을 크게 앞서는 성능을 보인다.
• 제한된 학습 데이터에서도 강력한 성능를 유지하여, 낮은 데이터 환경에서 효과적인 특징 학습 능력을 보여준다.
• 특히 15,394개의 학습 샘플을 가진 일반 세트에서 Pafnucy, K_{Deep}, IGN, FAST와 같은 다수의 SOTA 방법보다 뛰어난 성능를 보이며, 성능가능성을 입증한다.
• 단순화된 그래프 표현과 간결한 처리 파이프라인 덕분에 고속 추론이 가능하여, SS-GNN는 대규모 가상 스크리닝에 적합하다.