[论文解读] Antibody-Antigen Docking and Design via Hierarchical Equivariant Refinement

Wengong Jin, Regina Barzilay+1 more|arXiv (Cornell University)|Jul 14, 2022

Monoclonal and Polyclonal Antibodies Research被引用 12

一句话总结

该论文提出分层等变精炼网络（HERN），一种深度学习模型，通过分层、等变的消息传递迭代精炼3D结构，联合实现抗体-抗原对接与从头paratope设计。HERN在对接成功率上相比先前最先进方法绝对提升45%，且在11.6%的情况下生成的paratope与天然结合物相比具有更低的相互作用能。

ABSTRACT

Computational antibody design seeks to automatically create an antibody that binds to an antigen. The binding affinity is governed by the 3D binding interface where antibody residues (paratope) closely interact with antigen residues (epitope). Thus, predicting 3D paratope-epitope complex (docking) is the key to finding the best paratope. In this paper, we propose a new model called Hierarchical Equivariant Refinement Network (HERN) for paratope docking and design. During docking, HERN employs a hierarchical message passing network to predict atomic forces and use them to refine a binding complex in an iterative, equivariant manner. During generation, its autoregressive decoder progressively docks generated paratopes and builds a geometric representation of the binding interface to guide the next residue choice. Our results show that HERN significantly outperforms prior state-of-the-art on paratope docking and design benchmarks.

研究动机与目标

• 为解决设计高亲和力抗体以特异性结合给定抗原表位的挑战。
• 克服现有模型的局限性，包括刚体对接假设、缺乏等变性，以及全原子结构预测效率低下。
• 开发统一框架，同时折叠并对接paratope序列与表位，实现对接与生成式设计的并行。
• 通过生成相互作用能低于天然序列的paratope，提升结合亲和力。

提出的方法

• HERN采用分层图表示法，包含残基级（仅Cα）和原子级子图，以多尺度建模paratope-表位界面。
• 通过预测原子伪力而非绝对坐标实现等变消息传递，确保旋转与平移不变性。
• 在对接中，HERN通过可微分、等变的精炼循环，迭代精炼3D结构。
• 在生成中，采用自回归解码器逐步构建paratope，并利用几何上下文指导残基选择。
• 模型集成分层编码器，捕捉主链与侧链构象动力学，提升结构精度。
• 结合基于距离的初始化策略，并利用几何表示以可微方式引导序列选择。

实验结果

研究问题

• RQ1 深度学习模型能否以端到端、等变的方式同时实现高精度paratope-表位对接与从头paratope设计？
• RQ2 与单尺度表示相比，对主链与侧链相互作用进行分层建模在对接与设计性能上提升多少？
• RQ3 基于结构的生成模型在多大程度上可生成相互作用能低于天然结合物的paratope？
• RQ4 力预测中的等变性在应对表位旋转与结构扰动时如何提升模型鲁棒性？
• RQ5 初始化策略与分层编码对paratope生成质量有何影响？

主要发现

• HERN在基准数据集上相比最先进方法，对接成功率绝对提升45%。
• 在基于距离的初始化下，HERN在paratope生成中达到34.1%的AAR（氨基酸召回率），优于基于序列和基于结构的基线方法。
• 11.6%的HERN生成paratope达到低于其天然对应物的相互作用能，表明亲和力提升。
• 消融实验表明，移除原子级编码器后AAR降至30.4%，证明分层建模的重要性。
• 在随机初始化下模型表现显著变差（AAR为31.0%），凸显早期生成阶段几何先验的必要性。
• HERN即使在天然相互作用能低于-10 kcal/mol的表位上，也能成功生成高质量paratope，表明其在挑战性情况下的鲁棒性。