[論文レビュー] Generative De Novo Protein Design with Global Context

Cheng Tan, Zhangyang Gao+3 more|arXiv (Cornell University)|Apr 21, 2022

Protein Structure and Dynamics被引用数 13

ひとこと要約

本稿では、局所的なメッセージ伝達とグローバルな自己注意メカニズムを統合することで、タンパク質の骨格における近接および長距離の構造的依存関係を捉える、GCAと呼ばれる新規な生成的デ・ノボタンパク質設計手法を提案する。Transformerベースのモジュールを用いてグローバルな文脈を明示的にモデル化することで、構造に基づくタンパク質設計ベンチマークにおいて最先端の性能を達成し、特に短鎖および単鎖タンパク質において、シーケンスの perplexity とアミノ酸回復精度の両面で、先行手法を上回った。

ABSTRACT

The linear sequence of amino acids determines protein structure and function. Protein design, known as the inverse of protein structure prediction, aims to obtain a novel protein sequence that will fold into the defined structure. Recent works on computational protein design have studied designing sequences for the desired backbone structure with local positional information and achieved competitive performance. However, similar local environments in different backbone structures may result in different amino acids, indicating that protein structure's global context matters. Thus, we propose the Global-Context Aware generative de novo protein design method (GCA), consisting of local and global modules. While local modules focus on relationships between neighbor amino acids, global modules explicitly capture non-local contexts. Experimental results demonstrate that the proposed GCA method outperforms state-of-the-arts on de novo protein design. Our code and pretrained model will be released.

研究の動機と目的

• 既存のタンパク質設計手法が局所的な近隣情報に依存するという限界を解消し、異なる構造的環境におけるアミノ酸の好みが文脈依存であることを捉えること。
• 自己注意メカニズムを用いてタンパク質構造内の非局所的かつ長距離の依存関係を明示的にモデル化することで、タンパク質配列生成を改善すること。
• 局所的なグラフ注意とグローバルなTransformerベースの注意を統合した包括的な生成フレームワークを構築し、構造的文脈認識を強化すること。
• 特に局所的特徴が疎である短鎖や単鎖タンパク質のような困難な状況において、標準的なタンパク質設計ベンチマークで優れた性能を示すこと。

提案手法

• 本手法は、バックボーン二面角（ϕ, ψ, ω）を3次元トーラス上に符号化したノード特徴量を用いて、タンパク質構造を幾何的グラフとして表現する。
• エッジ特徴量は、Cα-Cα距離のガウス型径数基底関数と、局所座標系における回転不変の方向ベクトルを用いて計算される。
• 局所モジュールは、K番目の近隣ノードからのメッセージ伝達をグラフ注意ネットワークで集約し、即時の空間的関係を捉える。
• グローバルモジュールは、すべての残基をカバーするTransformer風の自己注意を用いて、長距離依存関係を明示的にモデル化し、文脈に配慮した配列予測を可能にする。
• モデルアーキテクチャは、エンコーダーおよびデコーダーの両方で、局所モジュールとグローバルモジュールを3ブロックずつ組み合わせており、隠れ次元は128、固定学習率を用いたAdamによる学習が行われる。
• シーケンス生成は自己回帰的に実行され、構造を条件とした予測されたアミノ酸確率の交差エントロピーにより損失が計算される。

実験結果

リサーチクエスチョン

• RQ1 グローバル構造的文脈の明示的モデリングは、局所的近隣依存関係を超えてタンパク質配列生成を改善できるか？
• RQ2 全タンパク質構造にわたる自己注意の組み込みは、短鎖または単鎖タンパク質設計における性能にどのように影響するか？
• RQ3 ハイブリッドな局所的・グローバル的注目メカニズムは、単独で局所的メッセージ伝達またはグローバル注目に依存するモデルを上回るか？
• RQ4 CATH 4.2 や TS50 といった標準ベンチマークにおいて、GCA は最先端の手法と比べてどの程度の性能を示すか？
• RQ5 グローバル文脈は、短鎖配列のような情報が乏しい状況での性能低下をどの程度緩和できるか？

主な発見

• CATH 4.2 データセットでは、GCA は「All」セットで最小の perplexity（6.44）を達成し、先行手法の StructGNN（6.69） や StructTrans（7.14） より顕著に優れた性能を示した。
• CATH 4.2 「All」セットにおいて、GCA は最高のアミノ酸回復率（36.11％）を達成し、StructTrans（33.90％） や StructGNN（35.25％） を上回り、個々の残基の予測精度が優れていることを示した。
• 挑戦的な TS50 ベンチマークでは、GCA は回復率 47.0％ を達成し、Rosetta（30.0％）、SPIN2（33.6％）、GVP（44.1％） を上回り、最先端の性能を示した。
• GCA は「Short」と「Single chain」セットを含むすべてのデータ分割で一貫した性能を示し、他のモデルが過学習や性能低下を示す状況でも優れた性能を維持しており、グローバル文脈モデリングの強靭性を示した。
• 短鎖配列において、グローバルモジュールは性能を顕著に向上させ、局所的特徴が疎である状況でも、長距離の文脈が局所情報の不足を補っていることを確認した。