論文タイトル
GeoAB: Towards Realistic Antibody Design and Reliable Affinity Maturation
出典
要旨
抗体デザインのための深層学習モデル GeoAB の性能を紹介した論文です。
解説など
抗体 CDR デザインの新手法の紹介です。
筆者らは冒頭の Fig.1 で、既存の抗体生成モデルの課題について言及しているのですが、これまでのモデルから生成された抗体構造は、物理的に不自然なねじれ角（C-N-Cα-C）や結合角（N-Cα-C）、結合長（N-Cα）を示しているとのことです。実際に天然の抗体構造と、抗体生成モデルの１種であるMEANから生成した構造を比較すると、その分布が大きく異なることが分かります。
この問題を解決し構築した筆者らの新規モデルが GeoAB です。GeoAB は、デノボデザイン用のモデルGeoAB-Designer と、最適化用のモデル GeoAB-Optimizer に分かれます。
GeoAB-Designer では、以下の２種類のワークフローを通じて抗体の CDR をデザインします。
- geometry initializer (Geo-Initializer)：generative model
- position refiner (Geo-Refiner)：GNN
Geo-Initializer で標的の抗原構造に沿った CDR のねじれ角を構成し、Geo-Refiner で適切な結合長、結合角の制約に基づき構造を最適化します。
一方で GeoAB-Optimizer では、鋳型に対する変異体の配列を入力情報に構造を再構成して、ΔΔG を出力します。入力構造に変異残基周辺の構造を活用せず、Geo-Refiner によって構造を再生成するため、変異体モデル構築時の構造的な不自然さは、GeoAB-Designer で構造を生成するときと同じく排除されることになります。
モデルの性能評価として、GeoAB-Designer、Optimizer それぞれ以下の手法と一緒にベンチマークを行っています。
- GeoAB-Designer
- RefineGNN
- MEAN
- DyMEAN
- C-RefineGNN
- C-DyMEAN
- DiffAb
- GeoAB-Optimizer
- Rosetta ddG
- FoldX
- DDG-Pred
- RDE-PPI
GeoAB-Designer に関しては、DiffAb を含むいずれのモデルと比べてモデルの AAR、RMSD、lddt、TM について優れた成績を示しています。その差はかなり顕著であり、改善効果が期待できます。
一方で、GeoAB-Optimizer に関しては、相関係数などでベストな成績を示していますが、実用までにはまだ改善のの余地がありそうです。
コードはこちら。
