[논문 리뷰] EGR: Equivariant Graph Refinement and Assessment of 3D Protein Complex Structures

Alex Morehead, Xiao Chen외 3명|arXiv (Cornell University)|2022. 05. 20.

Computational Drug Discovery Methods인용 수 5

한 줄 요약

EGR는 3차원 단백질 복합체 구조의 엔드 투 엔드 정밀 조정 및 품질 평가를 위한 E(3)-등변 그래프 신경망을 제안한다. 원자 수준의 구조 정밀 조정과 잔기별 품질 스코어링에서 최신 기술 수준의 성능을 달성하며, GNNRefine 및 GalaxyRefineComplex와 같은 이전 방법들보다 훨씬 빠른 추론 시간을 제공한다.

ABSTRACT

Protein complexes are macromolecules essential to the functioning and well-being of all living organisms. As the structure of a protein complex, in particular its region of interaction between multiple protein subunits (i.e., chains), has a notable influence on the biological function of the complex, computational methods that can quickly and effectively be used to refine and assess the quality of a protein complex's 3D structure can directly be used within a drug discovery pipeline to accelerate the development of new therapeutics and improve the efficacy of future vaccines. In this work, we introduce the Equivariant Graph Refiner (EGR), a novel E(3)-equivariant graph neural network (GNN) for multi-task structure refinement and assessment of protein complexes. Our experiments on new, diverse protein complex datasets, all of which we make publicly available in this work, demonstrate the state-of-the-art effectiveness of EGR for atomistic refinement and assessment of protein complexes and outline directions for future work in the field. In doing so, we establish a baseline for future studies in macromolecular refinement and structure analysis.

연구 동기 및 목표

• 딥 러닝을 활용하여 낮은 품질의 3차원 단백질 복합체 구조, 특히 체인 간 상호작용 부위를 정밀 조정하는 데 도전한다.
• 단백질 복합체에 대해 구조 정밀 조정과 품질 평가를 동시에 수행하는 통합적인 딥 러닝 프레임워크를 개발한다.
• 3차원 회전과 이동에 대한 등변성을 갖춘 기하학적 딥 러닝을 활용하여 전통적인 분자 동역학 및 안정화 방법의 한계를 극복한다.
• 다양하고 공개된 데이터셋을 사용하여 단백질 복합체 구조 정밀 조정 및 품질 평가의 새로운 벤치마크를 설정한다.
• 약물 개발 및 백신 개발 파이프라인에서 사용할 수 있도록 더 빠르고 정확한 구조 예측을 가능하게 한다.

제안 방법

• 단백질 구조 예측에서 3차원 기하 대칭성(회전 및 이동)을 유지하는 E(3)-등변 그래프 신경망(EGR)을 제안한다.
• 노드 기능에 원자 좌표와 화학적 성질을 포함한 단백질 복합체의 기하학적 그래프 표현에 메시지 전달 아키텍처를 사용한다.
• 입력 정규화 및 등변 갱신을 적용하여 예측 결과가 전역 강체 변환에 대해 불변이 되도록 보장한다.
• 다중 작업 학습을 수행: 단일 순방향 전파에서 동시에 정밀 조정된 원자 좌표를 회귀하고, 잔기별 품질 스코어를 예측한다.
• 원자 위치에 대한 L2 손실과 품질 평가를 위한 랭킹 손실을 조합한 고유한 손실 함수를 사용하여 두 작업을 동시에 최적화한다.
• 다양하고 새로 촬영된 단백질 복합체 디코이의 데이터셋으로 훈련하며, 향후 연구를 지원하기 위해 전체 데이터셋을 공개한다.

실험 결과

연구 질문

• RQ1 E(3)-등변 그래프 신경망은 낮은 품질의 3차원 단백질 복합체 구조 정밀 조정에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ2 단일 딥 러닝 모델이 단백질 복합체의 구조 정밀 조정과 품질 평가를 동시에 얼마나 잘 향상시킬 수 있는가?
• RQ3 모든 원자 수준의 표현 방식이 Cα만을 사용하는 표현 방식보다 정밀 조정 및 품질 스코어링에서 더 높은 성능을 낼 수 있는가?
• RQ4 EGR은 기존의 정밀 조정 도구(예: Modeller, GalaxyRefineComplex)와 비교해 정확도와 추론 속도 측면에서 어떻게 성능을 냈는가?
• RQ5 제한된 훈련 데이터로도 다양한 단백질 복합체 구조와 체인 간 상호작용 부위에 일반화할 수 있는가?

주요 결과

• EGR는 최신 기술 수준의 정밀 조정 성능을 달성하여, 6GS2 테스트 복합체에서 원래 디코이의 평균 RMSD 8.715에서 EGR 정밀 조정 후 8.636으로 감소시켰다.
• EGR-AllAtom은 모든 테스트 복합체에서 상위 10위 내 진입 비율이 11/10/10을 기록하며, GNN_DOVE(8/7/3) 및 기타 기준 모델들을 능가하는 품질 평가 성능을 보였다.
• EGR-AllAtom은 M4S 테스트 세트에서 랭킹 손실 0.3144 ± 0.1506을 기록하여, GNN_DOVE(0.3432 ± 0.2538) 및 기타 방법들을 능가했다.
• EGR-Cα-Modeller는 단지 Cα 원자만을 사용했음에도 불구하고 품질 평가에서 최신 기술 수준의 성능을 달성하여, 군집화 모델링이 매우 효과적일 수 있음을 시사한다.
• EGR는 GalaxyRefineComplex(1,200초) 및 GNNRefine(600초)보다 1,000배 이상 빠른 추론 속도를 확보하여 대규모 데이터셋의 빠른 처리를 가능하게 했다.
• 기존 도구들(예: Modeller)이 향상시키지 못한 복잡한 고RMSD 디코이(6GS2)를 성공적으로 정밀 조정하여, 도전적인 디코이를 처리할 수 있는 능력을 입증했다.