【抗体デザイン】抗原に結合するH3をデノボでデザインできる手法が深層学習でついに誕生！

論文タイトル

Conditional Antibody Design as 3D Equivariant Graph Translation

出典

Conditional Antibody Design as 3D Equivariant Graph Translation

Antibody design is valuable for therapeutic usage and biological research. Existing deep-learning-based methods encounter several key issues: 1) incomplete cont...

確認したいこと

標的抗原に結合できる抗体のデザイン手法について調査しています。

要旨

CDRの配列と３次元構造を同時に生成できるモデルMEANを提案した論文です。

解説など

本研究のベンチマークとなる手法は、Jinらが提案したRefineGnnとHERNです。

前者はGNNで主鎖構造を元に抗体構造を生成するモデルであり、後者は抗原結合の予測に焦点を当て、側鎖構造を含めて標的抗原に結合するH3をデザインするモデルになります。

これらの手法は、残基単位の逐次的な生成であることに課題がありました。これは計算量の超過を伴います。さらにエラーが蓄積することで、正しい構造が予測できない原因にもなります。

筆者らは本手法の特徴を３つの観点から説明しています。

新規なタスク

重鎖だけではなく軽鎖や抗原を入力情報として、その制限下で配列・構造を生成することができます。

新規なモデル

Multi-channel Equivariant Attention network (MEAN)というアーキテクチャを利用しています。筆者らが活用しているMEANでは、scalarization-based E(n)-equivariant GNNsと呼ばれるビルディングブロックを採用しています。

効率的な予測

自己回帰モデルのように残基単位で逐次生成するのではなく、”full-shot”で配列と構造を生成できます。

筆者らは、MEANの評価に以下に示す複数のモデルと比較検証しています。

LSTM
C-LSTM
RefineGNN
C-RefineGNN
MEAN

“C-“というのは、complex、つまり抗原抗体複合体に関して予測するモデルになります。

これらのモデルと比較検証するタスクは、以下に示す３種類です。

抗体構造予測
抗原結合H3デザイン
抗原結合親和性の増強（最適化）

いずれのタスクでも、AARやRMSDなどにおいてMEANが優れた成績を示しています。

抗原に結合するH3デザインのタスクでは、既知の抗原抗体複合体構造があるときに、そのH3を再デザインするという問題に取り組んでいます。また、ゼロから標的抗原に結合する抗体をデザインするために、データベースからH3領域を除いた抗体構造群を作成し、HDOCKで抗原とドッキングシミュレーションを行うことで鋳型抗体構造を探索することも試みています。重鎖全長や軽鎖も含めてデザインできる日も、そう遠くないかもしれません。