[论文解读] Ligand Pose Optimization with Atomic Grid-Based Convolutional Neural Networks

Matthew Ragoza, Lillian Turner+1 more|arXiv (Cornell University)|Oct 20, 2017

Computational Drug Discovery Methods参考文献 40被引用 14

一句话总结

该论文提出了一种基于可微分原子网格的卷积神经网络（CNN），用于计算药物发现中的配体构象优化。通过训练CNN以区分正确的结合构象，并利用其梯度迭代优化随机初始构象，该方法在性能上优于初始CNN和AutoDock Vina，且通过迭代微调显著提升了准确度并减少了空间位阻冲突。

ABSTRACT

Docking is an important tool in computational drug discovery that aims to predict the binding pose of a ligand to a target protein through a combination of pose scoring and optimization. A scoring function that is differentiable with respect to atom positions can be used for both scoring and gradient-based optimization of poses for docking. Using a differentiable grid-based atomic representation as input, we demonstrate that a scoring function learned by training a convolutional neural network (CNN) to identify binding poses can also be applied to pose optimization. We also show that an iteratively-trained CNN that includes poses optimized by the first CNN in its training set performs even better at optimizing randomly initialized poses than either the first CNN scoring function or AutoDock Vina.

研究动机与目标

• 开发一种基于三维原子网格表示的可微分打分函数，用于蛋白质-配体结合构象。
• 利用CNN输出对原子位置的梯度，实现基于梯度的配体构象优化。
• 通过在前一轮迭代中优化的构象上迭代微调CNN，提升构象优化性能。
• 将该方法与AutoDock Vina对比，评估其泛化能力及对多样化初始构象的鲁棒性。

提出的方法

• 将蛋白质-配体复合物表示为三维原子网格，其中每个体素编码原子类型、电荷及空间邻近性。
• 使用Softmax逻辑损失函数，训练三维卷积神经网络（CNN）以分类构象为“正确”或“错误”。
• 通过反向传播CNN的结合类别得分梯度至原子位置，对随机初始化的配体构象进行优化。
• 使用前一轮迭代中优化的构象作为额外训练数据，对CNN进行迭代微调。
• 将更新后的CNN应用于重新优化同一组随机构象，从而对先前模糊或错误的构象进行精炼。
• 采用与晶体结构的RMSD作为指标，评估不同模型和迭代次数下的构象优化性能。

实验结果

研究问题

• RQ1 在原子网格上训练的可微分CNN打分函数是否能通过梯度下降有效优化配体构象？
• RQ2 在优化构象上迭代微调CNN是否相比单阶段模型能带来更优的构象优化性能？
• RQ3 与AutoDock Vina相比，基于CNN的优化在收敛至晶体构象方面的表现如何？
• RQ4 打分曲面的平滑性在基于梯度的优化中起什么作用，特别是对于远离正确构象的构象？
• RQ5 该模型是否能泛化至多样化初始构象，还是容易对特定构象区域过拟合？

主要发现

• 迭代微调的CNN（CNN2）在构象优化方面显著优于初始CNN（CNN1）和AutoDock Vina，尤其在减少空间位阻和实现正确结合取向方面表现更优。
• CNN2在非模糊构象周围产生了更平坦、更平滑的打分曲面，导致RMSD变化更小，优化更稳定，表现为ΔRMSD分布方差降低。
• 初始RMSD较高（>4Å）的构象在CNN1下改善有限，因梯度消失；而CNN2能更有效地优化这些模糊构象，表明泛化能力更强。
• 该模型在初始构象模糊（2–4Å RMSD）时表现最佳，此时基于梯度的优化影响最大。
• 迭代训练的成功表明，CNN能更好地学习并刻画训练数据中原本代表性不足区域的能量景观。
• 尽管有所改进，该方法在远离晶体结构的构象上仍表现不佳，主要因梯度消失，提示需要改进损失函数或采用其他训练目标。