[논문 리뷰] Antibody-Antigen Docking and Design via Hierarchical Equivariant Refinement

Wengong Jin, Regina Barzilay외 1명|arXiv (Cornell University)|2022. 07. 14.

Monoclonal and Polyclonal Antibodies Research인용 수 12

한 줄 요약

이 논문은 계층적 등변 메시지 전파를 통해 3차원 구조를 반복적으로 개선함으로써 항체-항원 도킹과 신규 파라토프의 설계를 동시에 수행하는 딥러닝 모델인 계층적 등변 정련 네트워크(HERN)를 소개한다. HERN은 이전 최고 성능 모델 대비 도킹 성공률에서 45%의 절대적 향상을 달성했으며, 11.6%의 경우에서 천연 바인더보다 낮은 상호작용 에너지를 가진 파라토프를 생성한다.

ABSTRACT

Computational antibody design seeks to automatically create an antibody that binds to an antigen. The binding affinity is governed by the 3D binding interface where antibody residues (paratope) closely interact with antigen residues (epitope). Thus, predicting 3D paratope-epitope complex (docking) is the key to finding the best paratope. In this paper, we propose a new model called Hierarchical Equivariant Refinement Network (HERN) for paratope docking and design. During docking, HERN employs a hierarchical message passing network to predict atomic forces and use them to refine a binding complex in an iterative, equivariant manner. During generation, its autoregressive decoder progressively docks generated paratopes and builds a geometric representation of the binding interface to guide the next residue choice. Our results show that HERN significantly outperforms prior state-of-the-art on paratope docking and design benchmarks.

연구 동기 및 목표

• 주어진 항원 에피토프에 특이적으로 결합하는 고친화도 항체를 설계하는 데 도전하는 것.
• 기존 모델의 한계, 즉 강체 도킹 가정, 등변성 부족, 전자구조 예측의 비효율성 등을 극복하는 것.
• 폴딩과 도킹을 동시에 수행하는 통합 프레임워크를 개발하여 도킹과 생성 설계를 동시에 가능하게 하는 것.
• 천연 시퀀스보다 낮은 상호작용 에너지를 가지는 파라토프를 생성함으로써 결합 친화도를 향상시키는 것.

제안 방법

• HERN은 잔기 수준(Cα만 포함) 및 원자 수준의 부분 그래프를 포함하는 계층적 그래프 표현을 사용하여 파라토프-에피토프 인터페이스를 다중 척도에서 모델링한다.
• 절대 좌표가 아닌 원자적 의사력치를 예측함으로써 등변 메시지 전파를 구현하여 회전 및 이동 불변성을 보장한다.
• 도킹을 위해 HERN은 예측된 力을 사용하여 이산적이고 등변적인 정련 루프를 반복적으로 3차원 구조를 정련한다.
• 생성에 대해선 자동회귀 디코더를 사용하여 점진적으로 파라토프를 구축하고 기하학적 맥락을 활용해 잔기 선택을 안내한다.
• 모델은 백본과 측쇄 구조적 역학을 동시에 캡처하는 계층적 인코더를 통합하여 구조 정확도를 향상시킨다.
• 생성에 대한 거리 기반 초기화를 조합하고 기하학적 표현을 활용하여 이산적 방식으로 시퀀스 선택을 안내한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 종단 간, 등변적인 방식으로 정확한 파라토프-에피토프 도킹과 동시에 신규 파라토프 설계를 수행할 수 있는가?
• RQ2 백본과 측쇄 상호작용의 계층적 모델링이 단일 척도 표현에 비해 도킹 및 설계 성능을 어떻게 향상시키는가?
• RQ3 구조 기반 생성 모델이 천연 바인더보다 낮은 상호작용 에너지를 가지는 파라토프를 얼마나 잘 생성할 수 있는가?
• RQ4 힘 예측에서의 등변성은 에피토프의 회전 및 구조적 교란에 대해 얼마나 뛰어난 내성성을 보이는가?
• RQ5 초기화 전략과 계층적 인코딩의 영향은 파라토프 생성 품질에 어떤 영향을 미치는가?

주요 결과

• HERN은 벤치마크 데이터셋에서 기존 최고 성능 모델 대비 도킹 성공률에서 45%의 절대적 향상을 달성했다.
• 파라토프 생성에서 HERN은 거리 기반 초기화 하에 34.1%의 AAR(Amino Acid Recall)를 기록하여 시퀀스 기반 및 구조 기반 베이스라인을 능가했다.
• HERN이 생성한 파라토프 중 11.6%가 천연 대응체보다 낮은 상호작용 에너지를 가지며, 이는 결합 친화도 향상을 의미한다.
• 절단 실험 결과 원자 수준 인코더를 제거할 경우 AAR가 30.4%로 감소하여 계층적 모델링의 중요성을 입증했다.
• 무작위 초기화 하에서는 모델의 성능이 크게 떨어지며(AAR 31.0%), 이는 초기 단계 생성에서 기하학적 사전 지식이 필수적임을 시사한다.
• HERN은 천연 상호작용 에너지가 -10 kcal/mol 이하인 에피토프에 대해서도 고품질의 파라토프를 성공적으로 생성하여 도전적인 경우에도 강건함을 입증했다.