[논문 리뷰] Structure-based drug discovery with deep learning

Rıza Özçelik, Derek van Tilborg외 2명|arXiv (Cornell University)|2022. 12. 26.

Computational Drug Discovery Methods인용 수 4

한 줄 요약

이 리뷰는 단백질 구조 통합을 강조하여 약물-표적 상호작용 예측, 결합 부위 탐지, 그리고 신규 분자 설계를 가능하게 하는 구조 기반 약물 발견(SBDD)을 위한 딥러닝 접근법을 종합한다. 기하학적 딥러닝과 확산 모델이 혁신적인 방법으로 부각되며, 실생활 적용을 위한 주요 과제로 데이터 부족과 모델 해석 가능성 문제가 지적된다.

ABSTRACT

Artificial intelligence (AI) in the form of deep learning bears promise for drug discovery and chemical biology, $ extit{e.g.}$, to predict protein structure and molecular bioactivity, plan organic synthesis, and design molecules $ extit{de novo}$. While most of the deep learning efforts in drug discovery have focused on ligand-based approaches, structure-based drug discovery has the potential to tackle unsolved challenges, such as affinity prediction for unexplored protein targets, binding-mechanism elucidation, and the rationalization of related chemical kinetic properties. Advances in deep learning methodologies and the availability of accurate predictions for protein tertiary structure advocate for a $ extit{renaissance}$ in structure-based approaches for drug discovery guided by AI. This review summarizes the most prominent algorithmic concepts in structure-based deep learning for drug discovery, and forecasts opportunities, applications, and challenges ahead.

연구 동기 및 목표

• 약물 발견에 단백질 구조 정보를 통합하는 최신 딥러닝 기법을 검토하기 위해.
• 구조 기반 AI 응용 분야에서 데이터 가용성, 모델 일반화, 해석 가능성과 같은 핵심 과제를 규명하기 위해.
• 분자 생성 및 상호작용 예측에 있어 기하학적 딥러닝과 확산 모델과 같은 새로운 기법을 부각하기 위해.
• SBDD에서 시뮬레이션 예측과 사전 실험 검증 사이의 현재 격차를 평가하기 위해.
• 컴퓨터 모델과 실험적 의약 화학 워크플로우 간 격차를 메우기 위해 설명 가능한 AI와 개선된 데이터 정제를 촉진하기 위해.

제안 방법

• 3D 분자 구조와 단백질-리간드 상호작용을 모델링하기 위해 그래프 신경망(GNNs), 컨volutional 신경망(CNNs), 기하학적 딥러닝과 같은 딥러닝 아키텍처를 활용한다.
• 기하학적 딥러닝을 적용하여 3D 분자 표현에서 회전-이동 불변성과 대칭성을 인코딩함으로써 다양한 단백질 타겟에 걸쳐 일반화 능력을 향상시킨다.
• 특히 확산 모델을 활용한 생성형 딥러닝을 통해 타겟 단백질 구조에 조건부된 신규 분자 설계를 가능하게 한다.
• AlphaFold와 같은 정확한 예측기로부터 단백질 3차 구조를 통합하여 결합 친화도 및 상호작용 예측 성능을 향상시킨다.
• 수동적인 특징 공학 없이도 원시적인 분자 표현(예: SMILES, 3D 좌표)에서부터 엔드 투 엔드 학습을 실현한다.
• 불균형하고 저품질인 3D 데이터셋 문제를 해결하기 위해 데이터 정제, 편향 보정, 다중 모odal 학습을 제안한다.

실험 결과

연구 질문

• RQ1 딥러닝은 어떻게 복잡한 3D 단백질-리간드 상호작용을 효과적으로 모델링하여 약물-표적 친화도를 예측할 수 있는가?
• RQ2 기하학적 딥러닝과 대칭성 인식 아키텍처는 다양한 단백질 타겟에 걸쳐 일반화 능력을 향상시키는 데 어떤 역할을 하는가?
• RQ3 확산 기반 생성 모델은 어떤 정도로 구조적 제약 조건을 충족하는 생활성 분자에 대한 신규 설계를 가능하게 하는가?
• RQ4 구조 기반 딥러닝의 성능과 일반화 능력을 제한하는 주요 데이터 관련 장벽은 무엇인가?
• RQ5 설명 가능한 AI 기법은 어떻게 딥러닝 예측의 신뢰도를 높이고 실험적 검증을 촉진하며, 의약 화학 워크플로우에 통합할 수 있는가?

주요 결과

• 기하학적 딥러닝과 대칭성 인식 아키텍처는 회전-이동 불변성을 인코딩함으로써 3D 분자 시스템의 모델링 능력을 크게 향상시키고, 탐색 공간을 줄이며 일반화 능력을 강화한다.
• 확산 모델은 분자 생성 분야에서 최고 성능를 기록했으며, 구조적 제약 조건을 충족하는 신규 약물 설계에 강력한 잠재력을 보이고 있다.
• 진전이 있음에도 불구하고, 아직까지는 임상적 사전 실험 설정에서 검증된 바 없는 SBDD를 위한 딥러닝 모델이 존재하여 실생활 적용에서의 중요한 격차가 드러나 있다.
• 고품질의 3D 공결정 단백질-리간드 복합체가 여전히 희소하여, 모델의 일반화 능력과 새로운 타겟에서의 성능 제한을 초래하는 편향된 데이터셋을 초래하고 있다.
• 현재 모델들은 비결합성 및 약한 결합성 분자를 자주 저보도하여 데이터 불균형 문제를 악화시키고, 선택성 및 활성 경사 탐지의 예측 신뢰도를 낮춘다.
• 설명 가능한 AI 기법은 블랙박스 예측을 해석하고 구조-활성 상관관계를 밝혀내는 데 필수적이며, 실험적 의약 화학 워크플로우에의 통합을 가능하게 한다.