[论文解读] Conditional Antibody Design as 3D Equivariant Graph Translation

Xiangzhe Kong, Wenbing Huang+1 more|arXiv (Cornell University)|Aug 12, 2022

Monoclonal and Polyclonal Antibodies Research被引用 25

一句话总结

本论文引入 MEAN，一种端到端框架，在抗体–抗原背景下通过 E(3)-等变图平移共同设计一维 CDR 序列和三维结构，取得最先进的结果。

ABSTRACT

Antibody design is valuable for therapeutic usage and biological research. Existing deep-learning-based methods encounter several key issues: 1) incomplete context for Complementarity-Determining Regions (CDRs) generation; 2) incapability of capturing the entire 3D geometry of the input structure; 3) inefficient prediction of the CDR sequences in an autoregressive manner. In this paper, we propose Multi-channel Equivariant Attention Network (MEAN) to co-design 1D sequences and 3D structures of CDRs. To be specific, MEAN formulates antibody design as a conditional graph translation problem by importing extra components including the target antigen and the light chain of the antibody. Then, MEAN resorts to E(3)-equivariant message passing along with a proposed attention mechanism to better capture the geometrical correlation between different components. Finally, it outputs both the 1D sequences and 3D structure via a multi-round progressive full-shot scheme, which enjoys more efficiency and precision against previous autoregressive approaches. Our method significantly surpasses state-of-the-art models in sequence and structure modeling, antigen-binding CDR design, and binding affinity optimization. Specifically, the relative improvement to baselines is about 23% in antigen-binding CDR design and 34% for affinity optimization.

研究动机与目标

• 将抗体设计建模为一个包含抗原和轻链上下文的条件性三维平移问题的动机。
• 开发一个端到端的 E(3)-等变模型，用于生成 CDR 序列和三维构象。
• 实现高效的非自回归（全射）解码，以提升推理速度和准确性。
• 展示在序列/结构建模、抗原结合的 CDR 设计以及亲和力优化方面的改进。

提出的方法

• 将抗体设计建模为在抗体–抗原复合图上的条件图翻译。
• 提出 MEAN，一种具内部上下文编码器和外部注意编码器的 E(3)-等变多通道图神经网络。
• 使用分阶段的全射解码方案，在多轮中预测 CDR 序列和坐标。
• 引入全局节点和组分间边以捕捉分子内和分子间的相互作用。
• 通过结合序列和结构损失进行训练，利用端到端的等变框架。

实验结果

研究问题

• RQ1 在给定抗原和轻链上下文的前提下，如何将抗体设计转化为一个三维等变图翻译问题？
• RQ2 与最先进基线相比，MEAN 是否同时在一维 CDR 还原和三维结构精度方面有所提升？
• RQ3 分阶段的全射解码能否实现高效、准确的非自回归 CDR 设计和亲和力优化？

主要发现

• MEAN 在一维序列恢复（AAR）和三维结构 RMSD（覆盖 CDR-H1、CDR-H2 和 CDR-H3）方面显著优于基线。
• 在 CDR-H1/H2/H3 任务中，MEAN 相较 RefineGNN 及排除抗原/轻链上下文的变体，获得更高的 AAR 和更低的 RMSD。
• 在抗原结合的 CDR-H3 设计中，MEAN 获得更高的 AAR，TM-score 接近1（TM-score 约 0.98–0.99），且结构接近原生。
• MEAN 展示出显著的亲和力优化增益，相较基线获得更低的预测 ΔΔG 值。
• 分阶段的全射解码在比迭代细化快2–5倍的同时，保持或提升准确性。