단백질 동적 도킹 예측을 실현해보세요! 상하이 교통대학교/싱야오 테크놀로지/중산대학교 등이 공동으로 기하학적 심층 생성 모델인 DynamicBind를 출시했습니다.
단백질은 생명의 물질적 기초입니다. 그 기능은 단백질 구조와 구조의 역학과 밀접한 관련이 있으며, 리간드에 의해 조절됩니다. 단백질-리간드 상호작용에 대한 연구는 약물 발견과 스크리닝에 매우 중요합니다. 연구 진행 상황을 돌이켜보면, AlphaFold의 출시는 단일 단백질의 공간적 3차원 구조를 예측하고 단백질-리간드 상호 작용을 연구하기 위한 구조적 기초를 제공할 수 있는 획기적인 발전입니다.
하지만 AlphaFold는 특정 순간의 단백질의 정적 구조만 예측할 수 있고, 단백질 구조의 동적 변화를 예측하는 데는 실패합니다.AlphaFold가 예측한 리간드 없는 단백질 구조를 도킹의 입력으로 사용할 경우, 결과적으로 예측된 리간드 위치가 리간드 결합 공결정 구조와 일치하지 않는 경우가 많습니다. 또한 AlphaFold가 예측한 구조는 리간드 결합에 가장 유리한 측쇄 및 주쇄 구성을 보여주지 않을 가능성이 높으며, 이로 인해 관련 활성 부위가 올바른 위치에 있지 않게 됩니다. 따라서 현재로선 AlphaFold 구조를 약물 스크리닝 및 설계에 활용하는 데 어려움이 있습니다.
이를 고려하여,상하이 교통대학교의 정솽지아가 이끄는 연구 그룹은 스타 파마 테크놀로지, 중산대학교 약학대학, 라이스 대학교와 협력하여 단백질 동적 도킹을 위해 설계된 기하학적 심층 생성 모델인 DynamicBind를 제안했습니다.이 기술은 AlphaFold가 예측한 단백질 형태를 홀로그램과 유사한 상태로 효과적으로 조정하여 딥러닝을 기반으로 한 새로운 연구 패러다임을 제공하고 AlphaFold 이후 시대의 약물 개발을 위한 단백질의 역동적인 변화를 고려합니다.이 방법은 또한 국제 약물 스크리닝 대회인 CACHE에서 습식 실험을 통해 검증되었으며, 파킨슨병 치료를 위해 약물 개발이 어려운 표적에 대한 경쟁력 있는 선도 화합물을 스크리닝할 수 있습니다.
"DynamicBind: 심층적 등가 생성 모델을 사용한 리간드 특정 단백질-리간드 복합체 구조 예측"이라는 제목의 연구는 Nature Communications에 게재되었습니다.
연구 하이라이트:
* 고급 딥 확산 모델과 등가 기하 신경망 기술을 활용하여 단백질 형태 생성과 리간드 포즈 예측을 하나의 프레임워크로 통합하여 단백질과 리간드의 동적 도킹 예측을 실현합니다.
* DynamicBind는 단백질-리간드 도킹에서 기존 도킹 방식과 딥러닝 기반 강성 도킹 방식보다 성능이 뛰어납니다.
* DynamicBind는 AlphaFold가 예측한 단백질 형태를 사용하여 단백질 형태를 동적으로 조정하고 리간드에 가장 적합한 최적의 형태를 찾습니다.
서류 주소:
https://www.nature.com/articles/s41467-024-45461-2
오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.
https://github.com/hyperai/awesome-ai4s
데이터 세트: PDBbind 데이터 세트를 기반으로 MDT 테스트 세트를 사용하여 평가 범위를 확장합니다.
연구진은 먼저 PDBbind 데이터 세트를 사용하여 모델의 훈련, 검증, 테스트 세트를 시간 순서대로 훈련하고, 실험적으로 측정된 결합 친화도와 짝을 이루었습니다.PDBbind 테스트 세트에는 2019년의 약 300개 구조가 포함되어 있으며, 여기에는 많은 비소분자 리간드(53개는 펩타이드)가 포함되므로 연구진은 큐레이트된 주요 약물 표적(MDT) 테스트 세트로 평가 범위를 확대했습니다.
MDT 테스트 세트에는 2020년 또는 그 이후에 보관된 599개 구조가 포함되어 있으며, 여기에는 키나제, GPCR, 핵 수용체, 이온 채널이라는 4대 주요 계열의 약물 유사 리간드와 단백질이 포함됩니다. 이러한 단백질 계열은 FDA에서 승인한 약 70% 승인 소분자 약물의 표적을 대표합니다.
DynamicBind: 동적 복합체의 구조를 예측하기 위한 기하학적 딥러닝 기반 모델
단백질을 대부분 단단한 개체로 처리하는 기존 도킹 방법과 달리 DynamicBind는 고급 심층 확산 모델과 등가 기하 신경망 기술을 사용하여 기존에 분리되어 있던 단백질 형태 생성과 리간드 포즈 예측의 두 단계를 단일 프레임워크로 통합하여 단백질과 리간드의 동적 도킹 예측을 달성합니다.동시에 엔드투엔드 딥러닝 방법으로 다양한 단백질 구조 변화를 샘플링하는 데 있어 기존 MD 시뮬레이션보다 몇 배나 빠릅니다.
DynamicBind는 PDB 형식의 아포 유사 구조와 SMILES나 SDF와 같이 널리 사용되는 여러 소분자 리간드 형식을 허용합니다.추론 과정에서 모델은 리간드를 무작위로 배치하고, RDKit을 사용하여 단백질 주변에 리간드의 시드 형태를 생성합니다. 학습 단계에서 모델은 아포형 형태에서 홀로형 형태로의 과정을 학습하는 것을 목표로 합니다. 추론하는 동안 모델은 초기 입력 구조에서 20번 반복합니다.
아래 그림 a에 표시된 것처럼 분홍색은 단백질 구조의 홀로그램 상태(holo)를 나타내고, 녹색은 초기 아폴리포단백질과 모델에서 예측한 구조를 나타내고, 청록색은 기본 리간드를 나타내고, 주황색은 예측된 리간드를 나타냅니다.
각 반복에서 단백질 및 리간드 특징과 좌표(측쇄 꼬임, Ca 원자 좌표 등 포함)는 SE(3) 등가 상호작용 모듈에 입력됩니다. 모델 출력 결과에는 리간드와 각 단백질 잔류물의 전역적 이동 및 회전, 리간드의 비틀림 각도, 단백질 잔류물의 카이 각도 회전, 두 가지 예측 모듈(결합 친화도 A 및 신뢰 점수 D)이 포함됩니다.
아래 그림 b는 DynamicBind 모델의 샘플링 효율성을 보여줍니다. 키나제 단백질의 DFG-in에서 DFG-out으로의 전환 동안, 단백질이 두 개의 서로 다른 리간드에 결합할 때 모델은 두 개의 서로 다른 홀로 형태를 예측할 수 있습니다. 게다가 DynamicBind는 결합된 단백질 형태를 20단계 안에 예측할 수 있는 반면, 모든 원자 MD 시뮬레이션은 동일한 결합 상태를 찾기 위해 수백만 단계가 필요합니다.
DynamicBind는 단백질 동적 도킹 예측에 있어서 다재다능한 도구입니다. 5가지 주요 작업에서 좋은 성과를 보입니다.
DynamicBind 모델의 성능을 평가하기 위해 연구원들은 다음을 포함한 5가지 작업에 대해 모델을 테스트했습니다.
(1) 현재 도킹 방법에 대한 벤치마크 DynamicBind
(2) 다수의 단백질의 구조변화를 샘플링하는 능력
(3) 단백질 구조변화를 다루는 범위
(4) 동적 도킹을 달성하기 위해 숨겨진 포켓을 예측하는 능력
(5) 항생제 벤치마크 시험에서의 스크리닝 성능.
DynamicBind는 기존 도킹 방식과 딥러닝 기반 고정 도킹 방식보다 성능이 뛰어납니다.
실험 중에 연구진은 홀로그램 구조를 입력으로 사용하지 않았고 홀로그램 단백질 구조가 사용 불가능하다고 가정하고 AlphaFold가 예측한 단백질 구조만을 입력으로 사용했습니다.홀로 구조는 공결정화된 리간드와 강한 모양과 전하 상보성을 나타내므로 리간드 자세 예측 과정이 간소화됩니다.
아래 그림 a와 b에서 볼 수 있듯이, 연구자들은 PDBbind 데이터 세트와 MDT 데이터 세트에서 DynamicBind를 다른 기준 모델과 비교했습니다. 다양한 RMSD 임계값에서 DynamicBind는 다른 방법보다 우수한 성능을 보였습니다. 구체적으로, RMSD 임계값이 2Å(5Å) 미만인 DynamicBind 리간드의 비율은 PDBbind 테스트 세트에서는 33%(65%)이고 MDT 테스트 세트에서는 39%(68%)입니다.
그러나 모델을 평가할 때 리간드의 RMSD 값만 평가에 사용되며 이는 형태 충돌에 대한 허용 범위가 더 높은 DiffDock, TankBind 및 DynamicBind와 같은 딥러닝 기반 모델에 유익합니다. 하지만 이는 반데르발스 힘을 엄격하게 구현하고 힘장에 기반을 둔 도킹 방법인 Gnina, Glide, Vina에는 불리하며, 따라서 모델 평가의 객관성에 영향을 미칩니다. 따라서 연구자들은 리간드 RMSD와 갈등 점수를 사용하여 리간드 예측의 성공률을 평가했습니다.
그림 c는 엄격한 기준(리간드 RMSD < 2 Å, 충돌 점수 < 0.35)과 더 완화된 기준(리간드 RMSD < 5 Å, 충돌 점수 < 0.5)을 사용한 리간드 예측의 성공률을 보여줍니다. 더 엄격한 조건에서 DynamicBind(0.33)의 성공률은 가장 좋은 기준인 DiffDock(0.19)의 성공률보다 1.7배 높습니다.
또한, 초기 포켓과 결정 구조 사이의 RMSD가 크더라도 DynamicBind가 예측한 포켓 RMSD는 아래 그림 d에서 볼 수 있듯이 AlphaFold가 예측한 것보다 상당히 작습니다.
DynamicBind가 다양한 형태를 생성할 수 있는 능력과 AlphaFold의 LDDT 점수에서 영감을 받아 연구진은 예측 출력에서 가장 적합한 복잡한 구조를 선택하기 위해 접촉 LDDT(cLDDT) 점수 모듈을 개발했습니다.
아래 그림 e에서 볼 수 있듯이 DynamicBind가 예측한 cLDDT는 실제 리간드 RMSD와 좋은 상관관계를 보여 고품질 복합 구조를 선택하는 데 효과적임을 나타냅니다.
아래 그림 f에서 보듯이 생성된 샘플의 수가 증가함에 따라 리간드 포즈를 예측하는 DynamicBind 모델의 성공률도 증가합니다.
DynamicBind는 리간드 특정 단백질 구조 변화를 포착할 수 있습니다.
기존 도킹 프로토콜은 일반적으로 도킹 과정과 별도의 단계로 단백질 형태 샘플링을 수행합니다. 그러나 많은 경우 두 개의 서로 다른 리간드가 상호 배타적인 단백질 구조에 들어맞을 수 있습니다. 이전 도킹 모델에서는 리간드의 적절한 결합 자세를 식별하기 전에 단백질을 올바른 형태로 미리 설정해야 했습니다.이와 대조적으로 DynamicBind는 AlphaFold가 예측한 단백질 형태를 사용하여 단백질 형태를 동적으로 조정하고 관심 리간드에 가장 적합한 최적의 형태를 찾습니다(아래 그림 a 참조).
그림 b부터 e는 PDB 6UBW와 PDB 7V3S 구조에서 DynamicBind와 AlphaFold가 예측한 리간드와 포켓의 RMSD를 보여줍니다. PDB 6UBW의 경우 DynamicBind는 리간드 RMSD를 0.49Å, 포켓 RMSD를 1.97Å로 예측하는 반면, AlphaFold 구조의 포켓 RMSD는 9.44Å입니다. PDB 7V3S의 경우 DynamicBind는 리간드 RMSD를 0.51Å, 포켓 RMSD를 1.19Å(AlphaFold 6.02Å)로 예측합니다.
그림 f와 g는 UniProt ID로 표시된 단백질이 동일한 초기 구조에서 시작하여 I형 억제제와 결합한 후에는 점차 DFG-in 형태로 이동하고, II형 억제제와 상호 작용할 때는 DFG-out 형태로 이동하는 경향을 보여줍니다.
그림 h는 DynamicBind가 예측한 대부분의 단백질 구조가 초기 AlphaFold 구조에 비해 낮은 포켓 RMSD를 보인다는 것을 보여줍니다.
위의 결과는 DynamicBind가 리간드 특정 구조적 변화를 포착할 수 있음을 보여줍니다.즉, DynamicBind는 특정 구조가 처음에 제공된 단백질 구조와 다르더라도 단백질의 다른 가능한 구조에 잘 결합하는 화합물을 식별할 수 있습니다.
DynamicBind는 다양한 규모의 단백질 구조 변화를 포괄합니다.
연구진은 피코초에서 밀리초까지 다양한 규모의 6가지 교차 구조적 변화를 사용하여 DynamicBind를 평가했습니다.아래 그림에서 볼 수 있듯이 분홍색은 결정 구조를, 흰색은 AlphaFold 구조를, 녹색은 DynamicBind가 예측한 구조를, 청록색은 기본 리간드를, 주황색은 DynamicBind가 예측한 리간드를 나타냅니다.
결정구조와의 비교를 바탕으로,Δpocket RMSD는 모델에서 예측한 단백질 구조와 AlphaFold 구조 사이의 포켓 RMSD 차이를 측정합니다.음의 Δpocket RMSD는 DynamicBind가 예측한 구조가 결정 구조보다 AlphaFold가 예측한 구조에 더 가깝다는 것을 나타냅니다.
Δclash는 예측된 단백질-리간드 쌍과 AlphaFold 구조에 접목된 리간드 간의 충돌 점수 차이를 측정합니다.음의 Δclash는 예측된 복합체에서 충돌이 적음을 나타냅니다.
그림 a에서, 기본 리간드는 중첩된 AlphaFold 구조의 측쇄와 충돌합니다. DynamicBind 예측에서 이 측사슬은 기본 형태로 이동하여 충돌을 해결합니다. 그림 b에서는 AlphaFold 구조의 티로신이 포켓의 일부를 막고 있습니다. DynamicBind 예측 구조와 기본 구조에서 포켓의 이 부분에 접근이 가능해졌습니다. 패널 c에서는 유연한 루프가 리간드를 교차하는 반면 DynamicBind 예측에서는 멀어지는데, 이는 기본 구조와 일치합니다.
그림 d에서 α-나선은 리간드 결합 부위 근처에서 루프가 됩니다. 그림 e에서 열충격 단백질 Hsp90α의 2차 구조는 닫힌 상태에서 열린 상태로 전이할 때 큰 움직임을 겪습니다. 패널 f에서는 두 개의 AKT1 키나제 도메인이 응축되어 이전에는 존재하지 않았던 포켓을 형성합니다.
요약하자면, 리간드 결합 포켓이 충분히 넓지 않거나 AlphaFold가 예측한 형태를 형성하지 않을 경우, DynamicBind 모델은 리간드 결합과 관련된 다양한 형태적 변화를 예측할 수 있습니다.
DynamicBind는 암호화된 바인딩 사이트를 식별합니다.
단백질은 종종 동적 과정 중에 숨겨진 주머니를 생성하는데, 이를 통해 정적 구조에서는 발견되지 않는 약물 치료가 가능한 부위가 드러나며, 이를 통해 이전에는 "약물 치료가 불가능했던" 단백질이 잠재적인 약물 표적으로 등장하게 됩니다.연구진은 SET 도메인을 포함하는 단백질 2(SEtD2)를 사례 연구로 사용하여 이러한 불분명한 포켓을 밝히는 데 DynamicBind가 유용하다는 것을 보여주었습니다.
다발성 골수종(MM)과 확산성 대형 B세포 림프종(DLBCL) 치료에 사용되는 핵심 약물인 히스톤 메틸트랜스퍼라제인 SETD2는 숨겨진 주머니를 가지고 있으며, 현재 1상 임상 시험에 있는 매우 선택적인 화합물인 EZM0414의 표적입니다.
아래 그림 a 및 b에 표시된 것처럼, 훈련 세트의 모든 SETD2 동족체(단백질 스미스-워터만 유사도가 0.4 이상인 것으로 정의)는 선으로 표시된 S-아데노실메티오닌(SAM) 또는 시네펑긴 유사체와 공결정화되었습니다. 청록색 막대는 PDB 7TY2의 리간드 EZM0414를 나타내고, 분홍색 막대는 단백질을 나타냅니다.
그림 c에서 흰색은 AlphaFold 구조와 표면을 나타내며, 암호화된 부위가 막혀 있어 이식된 EZM0414와 많은 충돌이 발생합니다.
패널 d는 EZM0414가 보이지 않는 리간드이며 가장 유사한 타니모토 리간드조차도 EZM0414와 크게 다르다는 것을 확인합니다. 그림 e는 AlphaFold가 예측한 SETD2 구조와 EZM0414의 SMILES 표현을 입력으로 사용하는 DynamicBind 모델이 예측한 단백질-리간드 복합체 구조를 보여줍니다. 그림 f는 DynamicBind가 예측한 단백질-리간드 복합체 구조와 SETD2-EZM0414 복합체(PDB 7TY2)의 결정 구조 사이의 중첩을 보여줍니다.
결과를 판단해 보면, DynamicBind는 숨겨진 포켓의 동적 도킹을 달성하여 리간드를 성공적으로 배치했을 뿐만 아니라 더 적합한 포켓 형태를 찾아냈습니다(획득한 리간드의 RMSD는 1.4Å, 포켓의 RMSD는 2.16Å였습니다).
DynamicBind, 항생제 벤치마크에서 더 나은 약물 스크리닝 성능 달성
표적 기반 약물 발견 프로세스에서는 잠재적인 약물 후보물질의 스크리닝과 반대 스크리닝(특정 화합물에 대한 단백질 표적을 식별하는 것)이 모두 중요합니다.연구진은 DynamicBind 모델의 스크리닝 성능을 실제로 평가하기 위해 모델에 친화도 예측 모듈을 추가하고, PDBbind 데이터세트에서 얻은 실험적으로 측정된 결합 친화도 데이터를 사용하여 이를 학습시켰으며, 2023년에 발표된 항생제 프로테옴의 약물 스크리닝 시험 데이터(12개의 단백질 표적과 약 3,000개의 측정된 활동 데이터 포함)에 대해 이를 평가했습니다.
아래 그림 a에서 볼 수 있듯이 DynamicBind는 수신자 조작 특성 곡선 아래의 평균 면적(auROC)이 0.68로, VINA 및 DOCK6.9와 같은 일반적인 도킹 방법과 머신 러닝을 기반으로 한 최고의 재점수 매기기 방법을 능가합니다. 이러한 성능 향상은 DynamicBind의 동적 도킹 기능 덕분입니다. 이 기능을 통해 AlphaFold 구조를 보다 기본 상태에 가깝게 정제하여 더욱 정확한 결합 친화도 추정이 가능합니다.
위의 그림 b는 DynamicBind가 예측한 단백질 murD 구조가 리간드를 더욱 단단히 감싸고 있어, 초기 AlphaFold 구조에서는 형성이 불가능했던 상호작용을 더욱 많이 형성한다는 것을 보여줍니다.
이러한 결과는 DynamicBind가 기존 도킹 방법과 딥러닝 기반의 고정 도킹 방법보다 지속적으로 우수한 성능을 보이며, 이 모델은 결합 친화도 예측 기능 덕분에 프로테옴 수준의 가상 스크리닝 애플리케이션에서 큰 잠재력을 보여줍니다.
단백질의 복잡한 구조와 기능을 해독하여 스마트한 약물 발견에 기여
AlphaFold의 정적 구조 예측을 기반으로 DynamicBind 모델은 생성적 인공지능 기술을 혁신적으로 도입하여 동적 복합 구조 예측 과제를 성공적으로 해결했습니다. 단백질 구조의 역동적인 변화를 예측하는 것은 생명 과정을 이해하고 새로운 약물을 개발하는 데 매우 중요합니다. 특히 AI 약물 개발 분야에서는 AI 약물 스크리닝의 정확도와 임상적 효과를 크게 향상시킬 수 있습니다.
정쌍가(鄭雙家)의 연구 그룹은 본 연구 결과의 주요 참여자 중 하나로, 생성 인공지능과 약물 개발의 교차적 최전선 연구에 오랫동안 깊이 관여해 왔으며, 결실을 맺은 성과를 거두었습니다.
2024년 6월 21일, 정쌍자(Zheng Shuangjia)의 연구 그룹은 표현형 수준에서 교란된 고함량 세포 현미경 이미지를 사용하여 분자 표현 학습을 지원하는 교차 모달 학습 방법을 제안했습니다.이러한 접근 방식은 분자와 특성 분석 사이에 효과적으로 연결고리를 구축할 수 있으며, 이는 약물 개발에 매우 중요합니다. 관련 연구는 "세포 이미지를 통한 교차 모달 그래프 대조 학습"이라는 제목으로 Advanced Science에 게재되었습니다.
서류 주소:
https://onlinelibrary.wiley.com/doi/10.1002/advs.202404845
2024년 5월 25일, 정쌍자(鄭雙家)의 연구 그룹은 원자 구조와 분자 네트워크 규모 간의 다중 규모 정보를 효과적으로 통합하는 다중 규모 학습 프레임워크인 MUSE를 제안했습니다.계산적 약물 발견을 다른 규모로 확장할 수 있는 잠재력을 보여줍니다. 관련 연구는 "단백질과 약물 상호작용에 대한 균형 잡힌 다중 규모 학습을 위한 변형 기대 극대화 프레임워크"라는 제목으로 Nature Communications에 게재되었습니다.
서류 주소:
https://www.nature.com/articles/s41467-024-48801-4
2022년 9월 15일, 정쌍자(鄭雙家)의 연구 그룹은 약물 개발이 어려운 표적을 대상으로 생성적 지능형 약물 설계 알고리즘을 개발하고 단기간 내에 PROTAC 선도 화합물을 설계했습니다.동물실험을 통해 검증되었으며, 이는 정보기술과 생명공학의 통합이 갖는 엄청난 잠재력을 보여줍니다. 이 일련의 결과는 Google DeepMind AlphaFold 팀과 워싱턴 대학의 데이비드 베이커 교수 팀을 포함한 해당 분야의 최고 연구 그룹으로부터 긍정적인 인용과 평가를 받았습니다. 관련 연구는 "딥 러닝과 분자 시뮬레이션을 통한 가속화된 합리적 PROTAC 설계"라는 제목으로 Nature Machine Intelligence에 게재되었습니다.
서류 주소:
https://www.nature.com/articles/s42256-022-00527-y
2020년 2월 14일, 정쌍자(鄭雙家)의 연구 그룹은 종단간 딥러닝 프레임워크를 기반으로 한 준시각적 질의응답 시스템을 제안했습니다.약물과 단백질 사이의 상호작용을 파악하면 약물 발견이 효과적으로 용이해집니다. 관련 연구는 "준시각적 질문 답변 시스템을 사용한 약물-단백질 상호작용 예측"이라는 제목으로 Nature Machine Intelligence에 게재되었습니다.
서류 주소:
https://www.nature.com/articles/s42256-020-0152-y
정솽지아의 연구 그룹은 생성적 인공지능과 약물 개발에 대한 교차적 최전선 연구에 대한 이해를 바탕으로, 신진대사와 노화와 관련된 질병에 대한 약물의 지능적 설계에 중점을 두고, IT와 BT를 통합한 새로운 약물 개발 모델을 만들고, 종단 간 지능형 약물 발견에 더 많이 기여하기 위해 노력하고 있습니다.
참고문헌: