A Hybrid Physics-Deep Learning Framework for Combinatorial De Novo Design of Small-Molecule Binding Proteins

Motivation

• Known: De novo 단백질 설계에서 backbone 생성과 sequence 설계 분리 전략은 단백질-단백질 결합에는 효과적이나, 극성 리간드와의 수소 결합 제약이 있어 소분자 결합 단백질 설계에서는 낮은 성공률(<0.1%)을 보인다.
• Gap: 기존 motif scaffolding 방법은 motif-scaffold 쌍의 호환성이 극히 낮고(10^-4 수준), 또는 diffusion 방법은 motif 왜곡이나 부정확한 수용을 초래한다. 이를 해결할 alpha-beta 아키텍처로 확장 가능한 정밀한 scaffolding 전략이 부재하다.
• Why: 소분자 결합 단백질 설계는 biosensing, 약물 전달, 촉매 등 응용 가치가 크지만, 높은 정확도와 신뢰성 있는 일반화 가능한 방법이 없어 고처리량 스크리닝에 의존하고 있다.
• Approach: BSFF(Binding Sites from Fragments) 방법으로 PDB에서 소분자 부분구조별 상호작용 모드를 추출하여 통계적으로 과대표현된 패턴을 식별하고, LUCS(Loop-helix-loop Unit Combinatorial Sampling) 방법으로 NTF2 topology의 alpha-beta 단백질에서 나선 기하학을 체계적으로 변동시켜 수천 개 scaffolds 생성. Rosetta match로 motif를 scaffold에 접목하고, ProteinMPNN·Rosetta·AlphaFold2·custom hydrogen bonding refinement 알고리즘을 순차적으로 적용.

Achievement

Figure 1: CLAIRE Design workflow and improved success rates from refinement

• BSFF 통계적 상호작용 분석: 전체 상호작용의 1%가 15%의 빈도를 차지하며 pi stacking과 cation-pi 상호작용 선호도 발견. Rosetta energy 점수와 관찰 빈도 불일치 확인으로 physics 기반 재평가의 필요성 제시
• 다양한 소분자에 대한 확장성: 180~314 Da 범위의 5개 소분자(progesterone, estriol, caffeic acid, 3QV, DFHBI)에 motif 스캐폴딩 성공
• 높은 실험 성공률: progesterone/estriol 설계에서 26개 중 4개 결합 달성(~15%), NMR 구조 검증으로 설계 모델과 우수한 일치도 확인
• CLAIRE 워크플로우: machine learning과 physics 기반 최적화 반복으로 in silico 설계 지표 대폭 개선

How

Figure 1: CLAIRE Design workflow and improved success rates from refinement

• BSFF로 PDB 기반 상호작용 라이브러리 구축 및 통계적 필터링
• 공간 클러스터링과 빈도 기반 상호작용 모드 선별
• 4-residue 조합 열거형 생성 및 입체 충돌 검사
• LUCS 기반 NTF2 scaffold 생성으로 binding pocket 기하학 미세 조정
• Rosetta match로 strict 기하학 제약(거리 0.5 Å, 각도/torsion 10-15°) 적용한 motif 접목
• ProteinMPNN 기반 sequence 설계
• Rosetta FastRelax 최소화 및 AlphaFold2 designability 평가
• Custom hydrogen bonding refinement 알고리즘으로 binding pocket 최적화
• 소규모 발현 및 스크리닝으로 실험 검증

Originality

• Alpha-beta topology 일반화: 기존 helical bundle 제한에서 벗어나 NTF2 fold 같은 alpha-beta 구조로 확장
• 통계 기반 상호작용 모드 발굴: Rosetta scoring과 실제 PDB 관찰의 불일치를 파악하여 physics 모델의 한계 지적
• Combinatorial design with strict geometry: motif-scaffold 호환성을 thousand-scale 탐색으로 해결
• Hybrid physics-ML 반복 최적화: ProteinMPNN, Rosetta, AlphaFold2를 통합한 CLAIRE 파이프라인의 시스템적 설계

Limitation & Further Study

• 제한된 실험 검증: 2개 steroid(progesterone, estriol)에만 적용, 다른 화학 클래스 소분자 일반성 미확인
• 낮은 절대 성공률: 26/4(~15%)는 여전히 실용적 응용에 충분하지 않을 수 있음
• NTF2 topology 의존성: LUCS 기반 접근이 특정 fold에 최적화되어 다른 scaffold 아키텍처 확장성 불명확
• Hydrogen bonding 세부 지표 부재: NMR 검증은 2개 설계뿐, in silico 지표(burial energy, hbond geometry 정확도) 상세 분석 부족
• 계산 비용 미기술: 수천 개 scaffold에 대한 motif 스크리닝 및 반복 최적화의 computational cost 미제시
• 후속 연구 필요: progesterone/estriol 외 극성/유연 분자 확대, 높은 affinity 달성 전략 고도화 필요

Evaluation

총평: 본 연구는 alpha-beta 아키텍처로의 일반화, 통계 기반 상호작용 모드 발굴, physics-ML 하이브리드 워크플로우로 de novo 소분자 결합 단백질 설계의 주요 진전을 제시했다. 실험 성공률 향상과 NMR 검증은 강점이나, 제한된 소분자 클래스와 여전한 낮은 절대 성공률이 한계이다.