Endowing Protein Language Models with Structural Knowledge

要約

タンパク質の配列、構造、機能の関係を理解することは、医薬品設計から進化の理解に至るまで、多岐にわたる影響を伴う長年の生物学的課題です。
最近、大規模な配列データベースを利用できるタンパク質言語モデルが、この課題に適した方法として浮上しています。
しかし、膨大なシーケンス データとパラメーター セットに依存しているため、現実世界のシナリオにおける柔軟性と実用性は制限されています。
同時に、コンピューターによって予測されるタンパク質構造の最近の急増により、タンパク質表現学習における新たな機会が開かれています。
有望ではありますが、このような複雑なデータによってもたらされる計算負荷が、広く採用されている実用化の妨げとなっています。
これらの制限に対処するために、タンパク質の構造データを統合することでタンパク質言語モデルを強化する新しいフレームワークを導入します。
グラフ変換器の最近の進歩を利用した私たちのアプローチは、構造情報を構造抽出モジュールと統合することにより、事前学習済み言語変換器の自己注意メカニズムを洗練させます。
タンパク質構造トランスフォーマー (PST) と呼ばれるこの洗練されたモデルは、従来のタンパク質言語モデルと同じマスクされた言語モデリング目標を使用して、小さなタンパク質構造データベース上でさらに事前トレーニングされます。
PST の経験的評価は、わずか 542K の構造で構成されるデータセットで事前トレーニングされているにもかかわらず、タンパク質言語モデルと比較してその優れたパラメーター効率を実証しています。
特に、PST はタンパク質配列の最先端の基礎モデルである ESM-2 を常に上回っており、タンパク質の機能予測における新たなベンチマークを設定しています。
私たちの発見は、構造情報をタンパク質言語モデルに統合し、より効果的かつ効率的なタンパク質モデリングへの道を開く可能性を強調しています。コードと事前訓練されたモデルは https://github.com/BorgwardtLab/PST で入手できます。

要約(オリジナル)

Understanding the relationships between protein sequence, structure and function is a long-standing biological challenge with manifold implications from drug design to our understanding of evolution. Recently, protein language models have emerged as the preferred method for this challenge, thanks to their ability to harness large sequence databases. Yet, their reliance on expansive sequence data and parameter sets limits their flexibility and practicality in real-world scenarios. Concurrently, the recent surge in computationally predicted protein structures unlocks new opportunities in protein representation learning. While promising, the computational burden carried by such complex data still hinders widely-adopted practical applications. To address these limitations, we introduce a novel framework that enhances protein language models by integrating protein structural data. Drawing from recent advances in graph transformers, our approach refines the self-attention mechanisms of pretrained language transformers by integrating structural information with structure extractor modules. This refined model, termed Protein Structure Transformer (PST), is further pretrained on a small protein structure database, using the same masked language modeling objective as traditional protein language models. Empirical evaluations of PST demonstrate its superior parameter efficiency relative to protein language models, despite being pretrained on a dataset comprising only 542K structures. Notably, PST consistently outperforms the state-of-the-art foundation model for protein sequences, ESM-2, setting a new benchmark in protein function prediction. Our findings underscore the potential of integrating structural information into protein language models, paving the way for more effective and efficient protein modeling Code and pretrained models are available at https://github.com/BorgwardtLab/PST.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google