[论文解读] ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking

Yiqiang Yi, Xu Wan+3 more|arXiv (Cornell University)|Oct 12, 2023

Computational Drug Discovery MethodsComputer Science被引用 3

一句话总结

ETDock 提出了一种新颖的等变变换器模型，用于蛋白质-配体对接，通过 TAMformer 模块将配体的图级特征与三维空间表示相结合，实现了最先进性能，在 80 多个配体中预测的 RMSD 低于 2 Å，且 ECDF 曲线优于 TankBind 和 EquiBind。

ABSTRACT

Predicting the docking between proteins and ligands is a crucial and challenging task for drug discovery. However, traditional docking methods mainly rely on scoring functions, and deep learning-based docking approaches usually neglect the 3D spatial information of proteins and ligands, as well as the graph-level features of ligands, which limits their performance. To address these limitations, we propose an equivariant transformer neural network for protein-ligand docking pose prediction. Our approach involves the fusion of ligand graph-level features by feature processing, followed by the learning of ligand and protein representations using our proposed TAMformer module. Additionally, we employ an iterative optimization approach based on the predicted distance matrix to generate refined ligand poses. The experimental results on real datasets show that our model can achieve state-of-the-art performance.

研究动机与目标

• 解决传统对接方法依赖评分函数且无法捕捉配体的三维空间特征和图级特征的局限性。
• 克服基于深度学习的对接模型忽略三维几何约束和配体图级信息的不足。
• 开发一种联合学习蛋白质和配体不变与等变表示的模型，以提高对接构象预测的准确性。
• 在 PDBbind v2020 基准数据集上实现蛋白质-配体对接构象预测的最先进性能。

提出的方法

• 使用图同构网络（GIN）和图向量预测（GVP）从配体和蛋白质中提取原子级特征。
• 将功能类别指纹（FCFPs）与 GIN 学习的原子级特征结合，以捕捉配体的图级信息。
• 使用可学习的外积来建模配体-蛋白质相互作用特征。
• 设计 TAMformer 模块，包含三层：三角形层用于编码几何和空间约束，注意力层用于聚焦关键相互作用区域，消息传递层用于交换标量和向量信息。
• 基于预测的距离矩阵进行迭代优化，以精炼配体构象。
• 端到端训练模型，利用等变表示预测配体在结合口袋中的精确三维坐标。

实验结果

研究问题

• RQ1 一种整合图级特征与三维空间特征的等变变换器模型，能否提升蛋白质-配体对接构象预测的准确性？
• RQ2 与仅依赖原子级特征的模型相比，通过 FCFP 引入配体图级特征如何影响对接模型的性能？
• RQ3 TAMformer 模块中的三角形层、注意力层和消息传递层在多大程度上增强了模型捕捉物理约束和关键相互作用的能力？
• RQ4 在 RMSD 和低于 2 Å 阈值的质心距离方面，ETDock 与 TankBind 和 EquiBind 等最先进方法相比表现如何？
• RQ5 基于预测距离矩阵的迭代优化能否进一步精炼配体构象预测？

主要发现

• ETDock 实现了预测精度，其中 363 个配体中有超过 80 个的均方根偏差（RMSD）低于 2 Å，表明构象准确性较高。
• 超过 120 个配体的质心距离低于 2 Å，表明配体在结合位点中的位置预测准确。
• RMSD 和质心距离的累积分布函数（ECDF）曲线显示，ETDock 在低于 2 Å 阈值时优于 TankBind 和 EquiBind。
• 在 PDB 6JMF 的案例研究中，ETDock 的 RMSD 为 0.78 Å，显著低于 TankBind 和 EquiBind，证实了其在构象预测精度上的优越性。
• 该模型在 PDBbind v2020 数据集上的性能得到验证，其在 RMSD 和质心距离指标上均达到最先进水平。
• 将 FCFP 与 GIN 学习的特征结合，并使用可学习的外积，增强了模型捕捉配体特异性属性和相互作用的能力。