2024/02/20 11:51

超越AF2？Iambic、英伟达、加州理工学院开发多尺度深度生成模型，进行状态特异性蛋白质-配体复合物结构预测

编辑 | 萝卜皮

由蛋白质和小分子配体形成的结合复合物无处不在，对生命至关重要。虽然最近科学家在蛋白质结构预测方面取得了进展，但现有算法无法系统地预测结合配体结构及其对蛋白质折叠的调节作用。

为了解决这种差异，AI 制药公司 Iambic Therapeutics、英伟达（Nvidia Corporation）以及加州理工学院（California Institute of Technology）的研究人员提出了 NeuralPLexer，这是一种计算方法，可以仅使用蛋白质序列和配体分子图输入直接预测蛋白质-配体复合物结构。

NeuralPLexer 采用深度生成模型以原子分辨率对结合复合物的三维结构及其构象变化进行采样。该模型基于扩散过程，该过程结合了基本的生物物理约束和多尺度几何深度学习系统，以分层方式迭代采样残留级接触图和所有重原子坐标。

NeuralPLexer 预测与酶工程和药物发现中重要靶点的结构测定实验相一致，其在蛋白质组规模上加速功能蛋白和小分子设计方面拥有巨大潜力。

该研究以「State-specific protein–ligand complex structure prediction with a multiscale deep generative model」为题，于 2024 年 2 月 12 日发布在《Nature Machine Intelligence》。

静态蛋白质结构预测不足以支持药物设计

深度学习在从一维氨基酸序列预测蛋白质结构方面取得了巨大进步。最先进的蛋白质结构预测网络，例如 AlphaFold2 (AF2)，采用基于蛋白质结构的进化、物理和几何约束的预测管线。具体来说，从多重序列比对（MSA）或蛋白质语言模型（PLM）和专门的神经网络中提取的进化约束，与基于序列的信息和几何表示系统地结合，从而实现端到端的三维（3D）结构预测。

虽然在预测蛋白质静态结构方面取得了巨大成功，但蛋白质折叠问题的这种单一结构公式提供了有关蛋白质功能的不完整信息，并且还被发现不足以用于基于结构的药物设计。

生成式深度学习是一种替代范式

然而，与受体构象的实质性变化相结合的蛋白质-配体复合物的计算模型，受到模拟缓慢蛋白质状态转变的高昂成本的阻碍。生成式深度学习的最新发展提供了一种替代范式，并且在理解复杂视觉和语言领域方面取得了实质性进展。

生成建模的两个值得注意的策略包括（1）自回归模型，在序列数据（例如自然语言和基因组学）的 Transformer 网络中广泛采用，基于顺序过程；(2) 基于扩散的生成模型，利用随机过程通过从先验分布中采样并使用神经网络逐步逆转噪声过程来生成数据。

科学家已经证明，深度生成模型能够产生具有经过实验验证的功能的从头设计的蛋白质，包括用于蛋白质序列设计的语言模型和用于蛋白质主链生成的扩散模型。扩散模型可以有效地模拟蛋白质骨架之外的分子结构，特别是在分子对接和基于结构的药物设计方面。

然而，目前为止，还没有团队开发出能够以原子分辨率直接预测结合复杂结构且精度可与结构测定实验相媲美的生成模型。

深度生成模型预测蛋白质-配体复杂结构

在最新的研究中，Iambic、英伟达、加州理工学院团队介绍了 NeuralPLexer，这是一种计算系统，它使用由生物物理归纳偏差提供的深度生成模型来预测蛋白质-配体复杂结构。该方法可以以从 PLM 获得的辅助特征和从实验解析的同源物或计算模型检索的模板蛋白质结构为条件，直接生成给定蛋白质序列和配体分子图输入的结合复合物的结构集合。

图示：NeuralPLexer 能够准确预测蛋白质-配体复合物的结构和构象变化。（来源：论文）

预测管线和底层神经网络架构都旨在反映生物分子复合物的多尺度层次结构。具体而言，NeuralPLexer 包括：

（1）基于图的网络，将单个小分子和氨基酸图的原子级化学和几何特征编码为张量表示，通过受物理启发的网络架构实现，该网络架构经过百万级分子构象和生物活性数据库的训练；

（2）接触预测模块（CPM），在最近的视觉语言模型和折叠预测网络的推动下，使用基于注意力的网络生成残留尺度的分子间距离分布、粗粒度接触图和相关的配对表示；

（3）等变结构去噪模块 (ESDM)，用于生成以原子尺度和残留尺度网络的输出为条件的结合复杂原子结构，使用等变的结构化去噪扩散过程，并保留蛋白质和配体分子的手性约束。

在对蛋白质-配体盲对接进行评估时，与 PDBBind2020 基准上性能最佳的现有方法相比，NeuralPLexer 将预测成功率提高了高达 78%。在针对挑战性目标的配体结合位点设计中，NeuralPLexer 仅使用计算生成的截短支架即可有效恢复高达 45% 的结合位点结构。

与现有的基于物理的方法相比，这代表了成功率的质的提高。此外，NeuralPLexer 在选择性预测受诱导拟合结合或构象选择影响的蛋白质结构方面比现有方法表现出系统优势；在两个具有大结构可塑性的配体结合蛋白基准数据集上，NeuralPLexer 优于最先进的蛋白质结构预测算法 AF2，最高的模板建模得分 (TM-score)（平均 0.906）以及配体结合后发生重大构象变化的结构域的准确性提高了 11-13%。

NeuralPLexer 模拟配体结合和蛋白质结构变化的多功能能力可以快速表征构象景观，从而促进更好地理解控制蛋白质功能的分子机制，从而有助于在蛋白质组规模上识别治疗干预和蛋白质工程的非常规靶点。

结语

作为一种数据驱动的方法，NeuralPLexer 具有通用性，并且可以通过整合更好的实验和生物信息数据来持续改进。来自更广泛社区的训练和基准数据集的管理的改进，可能能够对没有实验确定的同源物蛋白质家族进行更系统的分析，并将该方法扩展到更具挑战性的系统，例如翻译后修饰和多态大型异聚蛋白质复合物。

该研究为探索这些方向提供了通用的计算框架，为快速准确的蛋白质-配体复合物结构预测铺平了道路，从而促进结构生物学、药物发现和蛋白质工程领域的进步。

论文链接：https://www.nature.com/articles/s42256-024-00792-z

理论药物发现深度学习

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

基准技术

一种简单的模型或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

来源：Google ML Glossary

随机过程技术

在概率论概念中，随机过程是随机变量的集合。若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。实际应用中，样本函数的一般定义在时间域或者空间域。随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，反对法随机运动如布朗运动、随机徘徊等等。

来源：维基百科

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在维空间内，有个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。称为该张量的秩或阶（与矩阵的秩和阶均无关系）。在数学里，张量是一种几何实体，或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达，记作标量的数组，但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中，表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了，它们都是二阶张量，对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

来源：维基百科

数据库技术

数据库，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据运行新增、截取、更新、删除等操作。所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

深度生成模型技术

深度生成模型基本都是以某种方式寻找并表达（多变量）数据的概率分布。有基于无向图模型（马尔可夫模型）的联合概率分布模型，另外就是基于有向图模型（贝叶斯模型）的条件概率分布。前者的模型是构建隐含层(latent)和显示层（visible)的联合概率，然后去采样。基于有向图的则是寻找latent和visible之间的条件概率分布，也就是给定一个随机采样的隐含层，模型可以生成数据。生成模型的训练是一个非监督过程，输入只需要无标签的数据。除了可以生成数据，还可以用于半监督的学习。比如，先利用大量无标签数据训练好模型，然后利用模型去提取数据特征（即从数据层到隐含层的编码过程），之后用数据特征结合标签去训练最终的网络模型。另一种方法是利用生成模型网络中的参数去初始化监督训练中的网络模型，当然，两个模型需要结构一致。

来源：机器之心 UT

AlphaFold技术

DeepMind 提出的深度神经网络蛋白质形态预测方法。AlphaFold系统，是DeepMind在2017-2018年中一直在研究的项目，它建立在多年以前使用大量基因组数据来预测蛋白质结构的研究基础之上。 AlphaFold产生的蛋白质3D模型比以往任何一种都精确得多，在生物学的核心挑战之一上取得了重大进展。

来源：机器之心 DeepMind博客

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。

来源：维基百科

自回归模型技术

自回归模型，是统计上一种处理时间序列的方法，自回归模型被广泛运用在经济学、资讯学、自然现象的预测上。

来源：维基

语言模型技术

语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。由于字词与句子都是任意组合的长度，因此在训练过的语言模型中会出现未曾出现的字串(资料稀疏的问题)，也使得在语料库中估算字串的机率变得很困难，这也是要使用近似的平滑n元语法(N-gram)模型之原因。

来源：维基百科

药物发现技术

在医学，生物技术和药理学领域，药物发现是发现新候选药物的过程。