[論文レビュー] Geometric Transformers for Protein Interface Contact Prediction

Alex Morehead, Chen Chen+1 more|arXiv (Cornell University)|Oct 6, 2021

Protein Structure and Dynamics参考文献 31被引用数 14

ひとこと要約

本論文は、幾何的自己注意（geometry-evolving attention）を備えた新規グラフ自己注意機構「幾何的トランスフォーマー（Geometric Transformer）」を特徴とする、エンドツーエンドの深層学習パイプラインであるDeepInteractを紹介する。この手法は、回転および平行移動不変性を備えたタンパク質-タンパク質界面接触の予測を実現する。DIPS-Plusで学習された本手法は、挑戦的なCAS-P-CAPRIターゲットで14%のtop L/5精度を達成し、Docking Benchmark 5では1.1%を記録。従来手法を上回る性能を発揮し、タンパク質の3次元的構造幾何と長距離アミノ酸残基相互作用を自己注意機構を用いたタンパク質残基グラフ上で効果的にモデル化している。

ABSTRACT

Computational methods for predicting the interface contacts between proteins come highly sought after for drug discovery as they can significantly advance the accuracy of alternative approaches, such as protein-protein docking, protein function analysis tools, and other computational methods for protein bioinformatics. In this work, we present the Geometric Transformer, a novel geometry-evolving graph transformer for rotation and translation-invariant protein interface contact prediction, packaged within DeepInteract, an end-to-end prediction pipeline. DeepInteract predicts partner-specific protein interface contacts (i.e., inter-protein residue-residue contacts) given the 3D tertiary structures of two proteins as input. In rigorous benchmarks, DeepInteract, on challenging protein complex targets from the 13th and 14th CASP-CAPRI experiments as well as Docking Benchmark 5, achieves 14% and 1.1% top L/5 precision (L: length of a protein unit in a complex), respectively. In doing so, DeepInteract, with the Geometric Transformer as its graph-based backbone, outperforms existing methods for interface contact prediction in addition to other graph-based neural network backbones compatible with DeepInteract, thereby validating the effectiveness of the Geometric Transformer for learning rich relational-geometric features for downstream tasks on 3D protein structures.

研究の動機と目的

• 3次元構造データを用いて、タンパク質複合体におけるパートナーフレンドリーな残基-残基接触を正確に予測する課題に対処すること。
• 従来手法が残基ペアを独立して扱い、タンパク質界面における幾何的および関係的文脈を無視するという限界を克服すること。
• 幾何的深層学習とグラフベースの自己注意機構を統合し、より効果的に複雑な3次元タンパク質構造をモデル化すること。
• ホモジマーおよびヘテロジマーの両方に一般化可能なスケーラブルでエンドツーエンドのパイプラインを構築すること。
• 幾何的注意メカニズムが、タンパク質複合体における長距離および空間的に複雑な相互作用をいかに捉えられるかを検証すること。

提案手法

• 幾何的トランスフォーマーは、相対的な3次元座標に基づいてノード表現を動的に更新する幾何的進化型自己注意機構を採用し、回転および平行移動不変性を実現する。
• 相互作用の空間的関係をモデル化するため、残基間の3次元距離と角度から導出された相対的位置符号化を用いたグラフニューラルネットワークバックボーンを採用する。
• Chenら（2021）が提案した拡張畳み込みベースの相互作用モジュールを採用し、鎖間の残基相互作用予測を精緻化する。
• DeepInteractは、実験的に検証済みの界面を有する、最大規模の公開可能で特徴豊富なタンパク質複合体構造データセットDIPS-Plus上でエンドツーエンドに学習される。
• アーキテクチャはホモジマーおよびヘテロジマー両方の複合体をサポートし、トップ-k精度および再現率メトリクスを用いて性能が評価される。
• 再現性およびプラットフォームに依存しない利用を実現するため、DockerコンテナおよびPyTorch Lightningのチェックポイントを介して展開される。

実験結果

リサーチクエスチョン

• RQ1 標準的なGNNおよびトランスフォーマーと比較して、幾何的注意を備えたグラフトランスフォーマーは、タンパク質-タンパク質界面接触予測の精度を向上させることができるか？
• RQ2 相対的位置符号化を通じて3次元的幾何的特徴を統合することで、複雑で非対称なタンパク質界面における性能が向上するか？
• RQ3 幾何的トランスフォーマーは、構造的対称性の程度が異なるホモジマーおよびヘテロジマー複合体に一般化できるか？
• RQ4 構造的柔軟性や結合モードが予測が難しい未結合タンパク質複合体（CASP-CAPRIおよびDocking Benchmark 5）に対して、モデルはどの程度の性能を示すか？
• RQ5 幾何的自己注意機構は、正確な界面予測に不可欠な長距離相互作用をどの程度効果的に捉えられるか？

主な発見

• DeepInteractは、13回目および14回目のCASP-CAPRI実験の19の挑戦的タンパク質複合体において、14%のtop L/5精度を達成し、既存手法を顕著に上回った。
• Docking Benchmark 5データセットでは、DeepInteractは1.1%のtop L/5精度を記録し、未結合で柔軟性のあるタンパク質複合体においても優れた性能を示した。
• 幾何的トランスフォーマーは、すべてのトップ-kメトリクスでGCNおよび標準的なグラフトランスフォーマーバックボーンを上回り、特に非対称幾何を持つヘテロジマーで顕著な性能向上を示した。
• DIPS-Plusにおけるホモジマーおよびヘテロジマーの両方で、k ∈ {10, L/10, L/5, L/2}のすべてのk値において、精度および再現率が向上し、堅牢な一般化能力を確認した。
• 幾何的自己注意機構の統合により、結合状態における構造コンformationのモデル化が向上し、結合状態の界面接触をより正確に予測できるようになった。
• 幾何的トランスフォーマーの性能向上は、特に幾何的に複雑なインターフェースで顕著であり、本手法の3次元的構造推論に向けた設計の有効性を裏付けた。