[논문 리뷰] Topological fingerprints reveal protein-ligand binding mechanism

Zixuan Cang, Guo‐Wei Wei|arXiv (Cornell University)|2017. 03. 31.

Topological and Geometric Data Analysis참고 문헌 16인용 수 4

한 줄 요약

이 논문은 단백질-리간드 복합체의 핵심 기하학적 및 화학적 특징을 포착하기 위해 요소별 지속 호몰로지(ESPH)와 위상적 지문(TFs)을 도입하고, 이를 기계학습과 융합하여 결합 친화도 예측의 정확도를 높인다. 제안된 위상 기반 스코어 함수(T-Score)는 기준 데이터셋에서 중앙값 피어슨 상관계수 0.817과 RMSE 1.912 kcal/mol을 달성하여 기존 방법보다 효과적으로 위상 추상화와 생물학적 특이성을 균형 잡고 있다.

ABSTRACT

Protein-ligand binding is a fundamental biological process that is paramount to many other biological processes, such as signal transduction, metabolic pathways, enzyme construction, cell secretion, gene expression, etc. Accurate prediction of protein-ligand binding affinities is vital to rational drug design and the understanding of protein-ligand binding and binding induced function. Existing binding affinity prediction methods are inundated with geometric detail and involve excessively high dimensions, which undermines their predictive power for massive binding data. Topology provides an ultimate level of abstraction and thus incurs too much reduction in geometric information. Persistent homology embeds geometric information into topological invariants and bridges the gap between complex geometry and abstract topology. However, it over simplifies biological information. This work introduces element specific persistent homology (ESPH) to retain crucial biological information during topological simplification. The combination of ESPH and machine learning gives rise to one of the most efficient and powerful tools for revealing protein-ligand binding mechanism and for predicting binding affinities.

연구 동기 및 목표

• 기하학적 세부 정보 과잉 또는 생물학적 특이성 손실로 인해 기존 스코어 함수가 단백질-리간드 결합 친화도를 예측하는 데 한계를 가진다는 문제를 해결하기 위해.
• 다양한 척도의 기하학적 정보를 위상 불변량에 통합하여 고차원 기하학적 모델과 추상적인 위상 추상화 사이의 격차를 메우기 위해.
• 결합 예측의 정확도를 위해 필수적인 화학적 및 구조적 정보를 유지하면서도 저차원적이고 생물학적으로 의미 있는 단백질-리간드 상호작용 표현을 개발하기 위해.
• 상호작용 네트워크와 공간 척도의 위상 분석을 통해 단백질-리간드 결합의 분자 메커니즘을 규명하기 위해.
• 지속 호몰로지에서 유도된 위상 지문이 대규모 기준 데이터셋에서 결합 친화도 예측 성능을 크게 향상시킨다는 것을 입증하기 위해.

제안 방법

• 다양한 화학 원소별로 별도로 위상 불변량(Betti 수)을 계산하기 위해 요소별 지속 호몰로지(ESPH)를 사용하여 위상 추상화 과정에서 원소 특이적 생물학적 정보를 유지한다.
• 다양한 척도의 상호작용을 모델링하기 위해 상관 함수 기반 필터레이션(로렌츠 및 지수 함수 포함)을 적용하며, 매개변수(ν, τ)를 통해 효과적인 상호작용 길이 척도를 조정한다.
• 바이닝된 바코드 표현(BBR)을 도입하여 지속 호몰로지 바코드를 스케일 간격에 따라 바이닝함으로써 기계학습에 적합한 압축된 특징으로 변환한다.
• 상호작용의 위상적 지속성을 특별히 분석하기 위해 상호작용의 중심이 되는 C–C 네트워크에 대해 상호작용 기반 지속 호몰로지(IPH)를 사용한다.
• T-Score 모델은 모든 무거운 원자에서 유도된 Betti-0, Betti-1, Betti-2 특징, 탄소 특이적 ESTFs, 그리고 다중 척도 기반 상관 함수 필터레이션을 조합하여 저차원적이고 예측 가능한 특징 집합을 생성한다.
• PDBBind v2007 코어 세트에서 T-Score 모델의 견고성과 일반화 능력을 평가하기 위해 500번의 무작위 교차검증을 수행한다.

실험 결과

연구 질문

• RQ1 지속 호몰로지에서 유도된 위상 불변량은 단백질-리간드 복합체에서 생물학적으로 관련된 화학 정보를 유지하기 위해 어떻게 적응시킬 수 있는가?
• RQ2 정확한 결합 친화도 예측을 위해 위상 추상화와 기하학적 특이성 사이의 최적 균형은 무엇인가?
• RQ3 어느 상호작용 척도와 잔류물 층(예: 첫 번째 또는 두 번째 층)가 단백질-리간드 결합 친화도 예측에 가장 예측 가능성이 높은가?
• RQ4 40 Å를 초월하는 장거리 C–C 상호작용은 어느 정도 결합 친화도 예측에 기여하는가?
• RQ5 지속 호몰로지에서 유도된 위상 지문은 대규모 결합 친화도 예측에서 기존의 물리 기반, 지식 기반, 경험 기반 스코어 함수를 능가할 수 있는가?

주요 결과

• T-Score 모델은 PDBBind v2007 코어 세트에서 중앙값 피어슨 상관계수 0.817과 RMSE 1.912 kcal/mol을 기록하여 기존 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 로렌츠 상관 함수를 사용한 Betti-0 ESTFs는 (ν, τ) = (3, 2)에서 피어슨 상관계수 0.769를 기록했고, 지수 함수를 사용한 경우 κ = τ = 1일 때는 0.782를 달성했다.
• (ν, τ) = (3, 0.5), (3, 1), (3, 2)에서 세 개의 Betti-0 ESTFs를 조합하면 상관계수는 0.784로 상승하여 다중 척도 분석의 유용성을 입증했다.
• τ ≈ 1.6 및 3.1에서 예측 정확도에 나타나는 진동 피크는 잔류물의 첫 번째 및 두 번째 좌절 층이 결합 친화도에 결정적인 역할을 한다는 것을 시사한다.
• 단백질-리간드 C–C 상호작용은 첫 번째 및 두 번째 층에서 예측에 기여하지만, 3–5 τ 사이에서는 그 영향력이 감소한다.
• 큰 척도에서(τ > 5) 단백질-리간드 C–C Betti-1 및 Betti-2 특징이 놀랍게 예측 능력을 회복함을 보여, 장거리 비극성 효과가 결합 부위에서 40 Å를 초월해 영향을 미칠 수 있음을 시사한다.