AlphaFold3を使ってバインダーを設計する

論文タイトル

TorchCraft: Unified binder design by inverting an all-atom structure predictor

出典

TorchCraft: Unified binder design by inverting an all-atom structure predictor
All-atom structure predictors model diverse molecular interactions, but using their learned structural priors for binder design remains challenging. Here we pre...
arxiv.org

要旨

TorchCraftは、AlphaFold3（AF3）の重みを固定したまま、その出力に対する勾配で結合タンパク質の配列を直接最適化する設計フレームワークです。

用語

  • predictor inversion（予測器の反転）/ ハルシネーション: 構造予測モデルの重みは固定したまま、入力である「配列」を、予測結果が良くなる方向に勾配で更新していく設計手法です。BindCraftが代表例です。
  • 配列ロジット: 各位置でどのアミノ酸を選ぶかの「スコア表」です。これを更新すべき変数として扱い、最終的に各位置で最大のアミノ酸を選びます。

解説など

背景

de novoバインダー設計の代表的な流れは、RFdiffusionなどで骨格を作り、ProteinMPNNで配列を設計し、構造予測で検証するというものです。これに対し、BindCraft（AF2ベース）に始まるpredictor inversionは、構造予測モデルを直接使って配列を最適化します。BoltzDesignは全原子予測器に、Germinalは抗体向けにこの考え方を広げています。

この背景にもとづき本論文では、「共通のpredictor-inversionの枠組みで、異なる結合体フォーマットを扱いつつ、実験で機能する配列を出せるか」に取り組んでいます。筆者らは本目的のため TorchCraft という設計フレームワークを構築しました。

TorchCraftの特徴

  • 骨格を先に決めず、配列を直接最適化する: RFdiffusionなどで骨格を作ってからProteinMPNNで配列を設計する流れと違い、骨格と配列を別々に扱いません。予測された構造を見ながら配列を更新します。実験で結合を確認した配列は、MPNNなどによる事後の再設計をしていない、TorchCraftの出力そのままです。
  • 全原子の予測器（AF3）を使う: BindCraftはAF2ベースで、タンパク質が対象でした。AF3は、核酸や低分子なども含めて予測できます。ただし、全原子の予測器を反転させる試み自体はBoltzDesignが先に行っており、本論文の焦点は、次の点にあります。
  • １つの枠組みで４つのフォーマットを扱う: 共通の最適化エンジンのまま、編集する残基、損失項、制約、最適化のスケジュールを変えるだけで、ミニバインダー、フレームワーク固定のVHH、環状ペプチド、低分子結合タンパク質に適用しています。タスクごとに別の生成モデルを訓練する必要がない点が、著者の挙げる利点です。
  • 配列側の制御を加えている: 構造の目的関数だけでは、発現に関わる配列の特徴を制約できません。そこでミニバインダーには、平均のアミノ酸組成を、ProteinMPNNで再設計した配列から求めた参照に合わせる項を加えました。VHHには、抗体言語モデルIgLMによる誘導を、CDRごとに、フレームワークと他のCDRを文脈として加えています。Germinalの実装では全配列が対象でしたが、TorchCraftでは編集するCDRのみに限定しています。

設計の流れ

TorchCraftでは、バインダーの初期構造を用意する必要がありません。人が用意するのは標的の情報だけで、バインダーの配列はランダムな状態から出発します。

準備（人が用意するもの）

  1. 標的の構造（PDB）を選び、使う領域を切り出します。
  2. 結合させたい残基（ホットスポット）を指定します。
  3. バインダーの長さの範囲を決めます。VHHでは、フレームワークの構造とCDRの長さも指定します。

設計１本の流れ

  1. 初期化: 編集する位置ごとに、ランダムな配列ロジットを作ります。VHHでは、フレームワークの配列は構造から固定で入り、CDRの位置だけがロジットになります。
  2. 予測: 標的の構造と現在の配列をAF3に入れ、複合体の構造と信頼度を予測します。バインダー側の構造は、毎回、配列から予測されます。
  3. 評価と更新: 目的関数を計算し、その勾配でロジットだけを更新します（AF3の重みは変わりません）。目的関数は、信頼度（pLDDT・ipTM・PAE）、接触、幾何（回転半径や二次構造の割合）、配列側の制約（組成の参照やIgLM）を、タスクに応じて組み合わせたものです。
  4. 反復: ミニバインダーとVHHでは約85ステップ繰り返します。前半はなめらかな確率から、アミノ酸を１つに絞り込んでいく段階、後半は１つのアミノ酸に決めた状態のまま更新する段階です。
  5. 決定: 各位置でスコアが最大のアミノ酸を採用し、最終配列とその予測構造を出力します。

大量生成と選抜

  1. 上記を、乱数と長さを変えて繰り返し、候補配列を生成します。
  2. ipTMなどでフィルタします。ミニバインダーは回転半径（ROG）が17未満、binder pTMとipTMが0.7超です。VHHはCDRの界面率が0.6超、CDR3のホットスポット被覆が0超、ipTMが0.7超です。
  3. 残った設計を、Rosettaの界面スコアとipTMを組み合わせた指標（100×ipTM − Rosetta界面スコア）で順位付けします。
  4. 上位の設計を合成し、BLIで結合を測定します。

結果

  • ミニバインダー（12標的）では、BoltzGenやRFdiffusionと比べて、TorchCraftの生の出力が複数の標的で競合的な合格率でした。
  • VHH（15標的）では、RFantibody、BoltzGen、Germinalと比べて、多くの標的で高い合格率でした。
  • 環状ペプチド（８標的）では、ジスルフィド環の設計がPD-L1やGABARAPなど複数の設定で高い合格率でした。低分子結合タンパク質（10種のリガンド）では、スコア分布はリガンドと手法によって異なりました。