[논문 리뷰] TAGMol: Target-Aware Gradient-guided Molecule Generation

Vineeth Dorna, D. Subhalingam외 6명|arXiv (Cornell University)|2024. 06. 03.

Advanced biosensing and bioanalysis techniquesBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

TAGMol은 분자의 구조적 특성과 약리적 성질을 동시에 고려하는 타겟 인식형, 기울기 유도 분자 생성 프레임워크를 제안한다. 이는 분자 생성과 성능 예측을 분리하고, SE(3)-동형성 확산 모델 및 다중 목적 가이드 네트워크를 활용하여 원하는 성질로의 생성을 유도한다. 이 프레임워크는 약물 유사성(QED)과 합성 가능성(SA)을 동시에 최적화하면서도 평균 Vina 점수에서 기존 최고 수준의 기준 대비 22% 향상된 성능을 기록하여 구조 기반 약물 설계 분야에서 최신 기준을 초월한다.

ABSTRACT

3D generative models have shown significant promise in structure-based drug design (SBDD), particularly in discovering ligands tailored to specific target binding sites. Existing algorithms often focus primarily on ligand-target binding, characterized by binding affinity. Moreover, models trained solely on target-ligand distribution may fall short in addressing the broader objectives of drug discovery, such as the development of novel ligands with desired properties like drug-likeness, and synthesizability, underscoring the multifaceted nature of the drug design process. To overcome these challenges, we decouple the problem into molecular generation and property prediction. The latter synergistically guides the diffusion sampling process, facilitating guided diffusion and resulting in the creation of meaningful molecules with the desired properties. We call this guided molecular generation process as TAGMol. Through experiments on benchmark datasets, TAGMol demonstrates superior performance compared to state-of-the-art baselines, achieving a 22% improvement in average Vina Score and yielding favorable outcomes in essential auxiliary properties. This establishes TAGMol as a comprehensive framework for drug generation.

연구 동기 및 목표

• 기존의 구조 기반 약물 설계에서 결합 친화도에만 집중하여 약물 유사성과 같은 광범위한 약리적 성질을 간과하는 제약 요소를 해결하기 위해.
• 저품질 또는 완전하지 않은 데이터셋에서의 학습 과제를 해결하기 위해 생성 과정과 성능 예측을 분리하고, 확산 샘플링 중 성능 신호를 통합함으로써.
• 학습 데이터에서 신호가 희박한 경우에도 타겟 결합 친화도와 QED, SA와 같은 핵심 약리적 성질을 동시에 최적화할 수 있는 방법을 개발하기 위해.
• 각 성질별로 별도의 가이드 모델을 훈련하고 샘플링 중 기울기를 조합하여 잠재 공간의 고성능 영역을 탐색함으로써 3D 분자 생성에서 다중 성질 유도를 가능하게 하기 위해.
• 후처리 최적화 기법에 대한 의존도를 줄이기 위해 성능 제약 조건을 생성 과정 자체에 직접 통합하기 위해.

제안 방법

• 실제 3D 분자 기하구조를 생성하기 위한 기본 SE(3)-동형성 그래프 확산 모델을 사용하여 약물 생성 작업을 두 가지 구성요소로 분해한다.
• 노이즈가 첨가된 분자 입력으로부터 성능 특성(예: QED, SA, 결합 친화도)을 예측하기 위해 SE(3)-불변 GNN을 사용하는 시간 의존 가이드 모델을 훈련한다.
• 분류기 유도 원리를 적용하여 가이드 모델의 기울기를 활용해 확산 샘플링 중 잠재 공간을 유도함으로써 원하는 성질을 가진 분자를 생성하도록 유도한다.
• 각 성질별로 별도의 가이드 모델을 훈련하고 샘플링 중 기울기를 조합함으로써 잠재 공간의 고성능 영역을 탐색하는 다중 목적 유도를 가능하게 한다.
• 결합 친화도의 대리 지표로 도킹 점수(Vina)를 사용하며, 가이드 모델의 기하학적 인덕티브 바이어스를 활용해 좌표 수준의 생성 품질을 향상시킨다.
• 기본 생성 모델을 수정하지 않고도 성능 유도를 노이즈 제거 과정에 통합함으로써 다양성과 재구성 품질을 유지한다.

Figure 1: Overview of TAGMol . (a) Training a property-oriented guide using existing data. (b) Utilizing the trained guide and diffusion model to steer the diffusion sampling process towards the optimal regions of the property of interest.

실험 결과

연구 질문

• RQ1 생성과 유도를 분리한 프레임워크는 결합 친화도 외의 성질에 한정되지 않고 분자 생성 성능을 향상시킬 수 있는가?
• RQ2 성능 예측기에서 유도하는 기울기 기반 유도가 분자 생성을 개선된 약물 특성을 가진 분자로 유도하는 데 얼마나 효과적인가?
• RQ3 단일 생성 모델이 다중 성질 유도를 통해 결합 친화도, QED, SA 점수를 동시에 최적화할 수 있는가?
• RQ4 가이드 모델 훈련 시 노이즈가 첨가된 입력을 사용함으로써, 고품질 성능 신호가 부족한 훈련 데이터에서의 강건성을 향상시킬 수 있는가?
• RQ5 모든 성질을 동시에 유도할 때 성능이 각 개별 지표에서 크게 떨어지지 않고 유지되는가?

주요 결과

• TAGMol은 최신 기준 대비 평균 Vina 점수에서 22% 상대적 향상을 기록하여 우수한 결합 친화도 예측 성능을 입증하였다.
• 특히 QED와 SA 점수와 같은 핵심 약리적 성질은 명시적으로 최적화하지 않았음에도 불구하고 유지 또는 향상되었다.
• 다중 성질 유도 시 전체 히트율이 가장 높았으며, 모든 지표에서 상당한 향상이 있었고, SA 점수는 약간의 허용 가능한 하락만을 보였다.
• 결합 친화도에 대한 단일 성질 유도가 가장 큰 성능 향상을 가져왔으며, 이는 가이드 모델의 기하학적 인덕티브 바이어스가 도킹 기반 친화도 평가와 잘 일치하기 때문으로 분석되었다.
• 모델는 강건성을 보였으며, 한 성질에 대해 유도를 적용하더라도 다른 성질의 성능이 크게 떨어지지 않았다. 이는 노이즈 제거 모델과 가이드 모델 간 효과적인 협업이 이루어졌음을 시사한다.
• 시각화 결과는 생성된 분자가 구조적으로 타당하며 합리적인 결합 자세를 취하고 있음을 확인하여 생성 출력의 품질을 검증하였다.

Figure 2: Comparison of distance distributions between all-atom distances of reference molecules in the test set (Reference) and distances in model-generated molecules. The Jensen-Shannon divergence (JSD) between these two distributions is calculated and reported.