Conditional Antibody Design as 3D Equivariant Graph Translation

要約

抗体の設計は、治療用途および生物学的研究にとって価値があります。
既存の深層学習ベースの方法では、いくつかの重要な問題が発生します。1) 相補性決定領域 (CDR) 生成の不完全なコンテキスト。
2) 入力構造の 3D ジオメトリ全体をキャプチャできない。
3) 自己回帰方式での CDR シーケンスの非効率的な予測。
本稿では、CDR の 1D シーケンスと 3D 構造を共同設計するためのマルチチャネル等価アテンション ネットワーク (MEAN) を提案します。
具体的には、MEAN は、抗体の標的抗原と軽鎖を含む余分なコンポーネントをインポートすることにより、抗体設計を条件付きグラフ変換問題として定式化します。
次に、MEAN は、異なるコンポーネント間の幾何学的相関をより適切にキャプチャするために、提案されたアテンション メカニズムと共に E(3)-equivariant メッセージ パッシングに頼ります。
最後に、マルチラウンド プログレッシブ フルショット スキームを介して 1D シーケンスと 3D 構造の両方を出力します。これにより、以前の自己回帰アプローチよりも効率と精度が向上します。
私たちの方法は、配列および構造モデリング、抗原結合 CDR 設計、および結合親和性の最適化において、最先端のモデルを大幅に上回っています。
具体的には、ベースラインに対する相対的な改善は、抗原結合 CDR 設計では約 23%、親和性最適化では 34% です。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google