[论文解读] Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking

Octavian-Eugen Ganea, Xinyuan Huang+5 more|arXiv (Cornell University)|Nov 15, 2021

Protein Structure and Dynamics被引用 53

一句话总结

EquiDock 引入了一种成对独立的 SE(3) 等变图匹配网络，直接为蛋白质对预测刚体对接姿态，保证输出对初始放置和角色不变，同时实现快速的端到端对接，无需大量采样或模板。

ABSTRACT

Protein complex formation is a central problem in biology, being involved in most of the cell's processes, and essential for applications, e.g. drug design or protein engineering. We tackle rigid body protein-protein docking, i.e., computationally predicting the 3D structure of a protein-protein complex from the individual unbound structures, assuming no conformational change within the proteins happens during binding. We design a novel pairwise-independent SE(3)-equivariant graph matching network to predict the rotation and translation to place one of the proteins at the right docked position relative to the second protein. We mathematically guarantee a basic principle: the predicted complex is always identical regardless of the initial locations and orientations of the two structures. Our model, named EquiDock, approximates the binding pockets and predicts the docking poses using keypoint matching and alignment, achieved through optimal transport and a differentiable Kabsch algorithm. Empirically, we achieve significant running time improvements and often outperform existing docking software despite not relying on heavy candidate sampling, structure refinement, or templates.

研究动机与目标

• 促进无需构象改变的快速端到端刚性蛋白质对接。
• 施加 SE(3) 等变性和交换律，确保输出对初始配置和蛋白质角色不变。
• 开发一个成对独立的 SE(3)-等变图匹配网络（IEGMN）用于对接姿态预测。
• 使用基于注意力的关键点和最优传输来对齐结合口袋，随后进行可微分的 Kabsch 姿态恢复。
• 展示在标准基准测试中相对于成熟对接软件的加速和竞争力精度。

提出的方法

• 将每个蛋白质表示为带有 SE(3) 不变节点/边特征的 k-NN 图。
• 通过独立的 E(3)-等变图匹配网络（IEGMN）计算 R(X1|X2) 和 t(X1|X2)，确保成对的 SE(3)-等变性。
• 通过多头注意力预测每个蛋白质的 K 个 binding-pocket keypoints；使用关键点通过可微分的 Kabsch 进行对齐。
• 以最终对接配体位置的均方误差损失训练，并加上用于将预测的关键点与结合口袋代理点对齐的最优传输（OT）损失。
• 包含一个软非相交损失以抑制体之间重叠，以及一个表面感知残基特征以捕捉深度。

实验结果

研究问题

• RQ1 成对独立的 SE(3)-等变模型能否直接从未结合蛋白质结构预测对接变换？
• RQ2 SE(3)-等变约束和交换律是否能在不考虑初始放置或蛋白质角色的情况下保证对接输出的一致性？
• RQ3 将注意力驱动的关键点选择与最优传输结合，是否能在对接过程中有效对齐结合口袋？
• RQ4 可微分的 Kabsch 对齐是否足以在不进行大量采样或模板的情况下恢复准确的对接姿态？
• RQ5 相较于标准数据集上的成熟对接工具，EquiDock 的速度和精度表现如何？

主要发现

• EquiDock 在标准基准上实现了可与最先进对接性能相竞争的表现，并且无需大量候选采样或模板。
• 与流行的对接软件相比，模型对接速度提升了 80-500 倍。
• IEGMN 层提供成对独立的 SE(3)-等变嵌入，使其能够在输入配置之间实现可迁移性。
• 基于 OT 的损失有效引导关键点表示绑定口袋，改善姿态对齐。
• 可微分的 Kabsch 产生一致的刚性变换，将配体对齐到受体，保持 SE(3) 不变性和交换性。
• 在所报告的表格中，EquiDock 在 DIPS 和 DB5.5 测试集的 Complex RMSD 和 Interface RMSD 指标上通常优于基线。