[論文レビュー] Conditional Antibody Design as 3D Equivariant Graph Translation

Xiangzhe Kong, Wenbing Huang+1 more|arXiv (Cornell University)|Aug 12, 2022

Monoclonal and Polyclonal Antibodies Research被引用数 25

ひとこと要約

論文は MEAN を導入し、エンドツーエンドのフレームワークで、E(3)-equivariant graph translation を用いて1D CDR 系列と3D構造を抗体–抗原文脈で同時設計し、最先端の結果を達成します。

ABSTRACT

Antibody design is valuable for therapeutic usage and biological research. Existing deep-learning-based methods encounter several key issues: 1) incomplete context for Complementarity-Determining Regions (CDRs) generation; 2) incapability of capturing the entire 3D geometry of the input structure; 3) inefficient prediction of the CDR sequences in an autoregressive manner. In this paper, we propose Multi-channel Equivariant Attention Network (MEAN) to co-design 1D sequences and 3D structures of CDRs. To be specific, MEAN formulates antibody design as a conditional graph translation problem by importing extra components including the target antigen and the light chain of the antibody. Then, MEAN resorts to E(3)-equivariant message passing along with a proposed attention mechanism to better capture the geometrical correlation between different components. Finally, it outputs both the 1D sequences and 3D structure via a multi-round progressive full-shot scheme, which enjoys more efficiency and precision against previous autoregressive approaches. Our method significantly surpasses state-of-the-art models in sequence and structure modeling, antigen-binding CDR design, and binding affinity optimization. Specifically, the relative improvement to baselines is about 23% in antigen-binding CDR design and 34% for affinity optimization.

研究の動機と目的

• 抗体設計を、抗原とライトチェーンの文脈を含む条件付きの3D翻訳問題として動機づける。
• CDR配列と3D立位構造を生成するエンドツーエンドのE(3)-等変モデルを開発する。
• 推論速度と精度を向上させるために、効率的で非自己回帰（フルショット）デコーディングを実現する。
• 配列/構造モデリング、抗原結合CDR設計、親和性最適化の改善を示す。

提案手法

• 抗体–抗原複合グラフ上の条件付きグラフ翻訳として抗体設計を定式化する。
• 内部コンテキストエンコーダと外部アテンティブエンコーダを備えたE(3)-等変マルチチャネルグラフニューラルネットワーク MEAN を提案する。
• 複数ラウンドでCDR配列と座標を予測する、進行的なフルショットデコーディング方式を用いる。
• 全体ノードと成分間エッジを組み込み、分子内および分子間相互作用を捉える。
• エンドツーエンドの等変フレームワークを活用して、配列と構造の損失を組み合わせて学習する。

実験結果

リサーチクエスチョン

• RQ1 抗原とライトチェーンの文脈を考慮して、抗体設計をどのように3D等変グラフ翻訳問題として定式化できるか？
• RQ2 MEAN は最新のベースラインと比較して、1D CDR回復と3D構造精度の両方を改善するか？
• RQ3 進行的なフルショットデコーディングは、効率的で正確な非自己回帰のCDR設計と親和性最適化を提供できるか？

主な発見

Model	CDR-H1 AAR	RMSD (CDR-H1)	CDR-H2 AAR	RMSD (CDR-H2)	CDR-H3 AAR	RMSD (CDR-H3)
LSTM	40.98 ± 5.20%	-	28.50 ± 1.55%	-	15.69 ± 0.91%	-
C-LSTM	40.93 ± 5.41%	-	29.24 ± 1.08%	-	15.48 ± 1.17%	-
RefineGNN	39.40 ± 5.56%	3.22 ± 0.29	37.06 ± 3.09%	3.64 ± 0.40	21.13 ± 1.59%	6.00 ± 0.55
C-RefineGNN	33.19 ± 2.99%	3.25 ± 0.40	33.53 ± 3.23%	3.69 ± 0.56	18.88 ± 1.37%	6.22 ± 0.59
MEAN	58.29 ± 7.27%	0.98 ± 0.16	47.15 ± 3.09%	0.95 ± 0.05	36.38 ± 3.08%	2.21 ± 0.16

• MEAN は1D配列回復（AAR）とCDR-H1/H2/H3全体の3D構造 RMSD の双方でベースラインを大きく上回る。
• CDR-H1/H2/H3 タスクで、MEAN は RefineGNN および抗原/ライトチェーン文脈を除外したバリアントより高い AAR と低い RMSD を達成。
• 抗原結合CDR-H3設計では、MEAN はより高い AAR とほぼネイティブ構造に近い TM-score（おおよそ 0.98–0.99 に近い）を達成。
• MEAN はベースラインと比較して予測 ΔΔG 値をより低く抑えるなど、顕著な親和性最適化の改善を示す。
• 進行的フルショットデコーディングは反復的な改良に対して2–5倍の速度向上を提供し、精度を維持または向上させる。