[논문 리뷰] Guiding Generative Protein Language Models with Reinforcement Learning

Filippo Stocco, Maria Artigues-Lleixa외 4명|arXiv (Cornell University)|2024. 12. 17.

Topic Modeling인용 수 6

한 줄 요약

본 논문은 강화 학습 프레임워크를 제시하여 생성성 단백질 언어 모델을 사용자 정의 목표로 점진적으로 유도하고, 결합 친화도와 같은 원하는 특성을 가진 단백질 설계를 가능하게 하며, 두 차례 반복에서 EGFR 결합체에 대해 26배의 친화도 증가를 보였다.

ABSTRACT

Protein language models (pLMs) have demonstrated success at generating functional proteins across vast sequence spaces but lack the ability to design high-fitness variants on demand. Here, we iteratively guide pLMs toward user-defined objectives by applying reinforcement learning (RL). We demonstrate that RL can steer pLMs toward various protein properties, such as topologies or binding affinities, in a few iterations through long evolutionary trajectories. We apply our framework to the design of epidermal growth factor receptor (EGFR) binders, achieving a 26-fold increase in binding affinity in two iterations.

연구 동기 및 목표

• 대규모 서열 공간에서 기능성 단백질의 제어 가능한 생성을 필요로 한다고 설득한다.
• 단백질 언어 모델을 특정 설계 목표로 유도하기 위한 RL 기반 프레임워크를 소개한다.
• 생성된 서열이 토폴로지(구조) 및 결합 친화도와 같은 특성으로 향하도록 조정하는 능력을 입증한다.
• 에피더믹 성장 인자 수용체(EGFR) 바인더에서 실용적 설계 결과를 보여준다.

제안 방법

• 사용자 정의 목표를 향해 생성성 단백질 언어 모델을 유도하기 위해 강화 학습을 적용한다.
• 몇 차례의 반복에서 단백질 특성에 대해 장기 진화 궤적을 최적화하기 위해 RL을 활용한다.
• 결합 친화도 및 토폴로지와 같은 대상 속성으로 pLM을 조정하는 것을 입증한다.
• 생성된 단백질 서열과 속성을 통해 반복적 설계 진행 상황을 평가한다.
• EGFR 바인더 설계에 대한 실증적 결과를 제시하며 큰 친화도 증가를 보인다.

실험 결과

연구 질문

• RQ1 강화 학습이 미리 정의된 설계 목표를 향해 생성성 단백질 언어 모델을 효과적으로 유도할 수 있는가?
• RQ2 높은 적합도 단백질 변이를 달성하기 위해 필요한 반복 횟수와 궤적은 무엇인가?
• RQ3 어떤 특성 목표(예: 결합 친화도, 토폴로지)가 RL-가이드 설계에 적합한가?
• RQ4 RL-가이드 설계가 EGFR 바인더와 같은 구체적 목표에서 어떤 성능을 보이는가?

주요 결과

• RL은 몇 차례의 반복 내에 선택된 특성으로 생성성 단백질 언어 모델을 방향 지시할 수 있다.
• 이 프레임워크는 단백질 설계 목표를 개선하기 위한 장기 진화 궤적을 가능하게 한다.
• EGFR 바인더에 적용했을 때 이 방법은 두 차례 반복에 걸쳐 결합 친화도 26배 증가를 달성한다.
• 이 접근법은 친화도 외의 다중 단백질 특성에 대한 적응성도 입증한다.