Zero-shot design of drug-binding proteins via neural iterative selection−expansion

Motivation

• Known: 소분자 결합 단백질 설계는 전통적으로 고처리량 실험 선택에 의존했으며, 계산 접근법은 서열, 구조, 리간드 배치를 동시에 최적화하는 복잡성으로 인해 제한적이었다. 최근 AlphaFold3 및 RoseTTAFold-All Atom과 같은 단백질-리간드 공구조 예측 모델의 발전은 가능성을 열었다.
• Gap: 기존 방법들은 초기 리간드 도킹 위치가 최적이 아닐 경우 설계 실패로 이어지기 때문에, 서열, 백본, 리간드 배치를 결합된 방식으로 공동으로 정제할 수 있는 방법이 필요했다. 또한 소분자 리간드를 명시적으로 고려하는 자체일관성 최적화 원칙이 부족했다.
• Why: 소분자 결합 단백질은 약물 전달, 센싱, 촉매 응용 분야에서 중요하며, 이전 방법보다 훨씬 높은 친화성(70배~10,000배 개선)으로 기능하는 설계자를 만드는 것은 단백질 공학과 신약 개발에 상당한 실질적 영향을 미칠 수 있다.
• Approach: LASErMPNN이라는 graph neural network를 단백질-리간드 공결정 구조로부터 학습하여 주어진 백본과 도킹된 리간드에 대해 호환 가능한 단백질 서열을 설계하도록 훈련했다. 이를 구조 예측기(AF3, Boltz-1)와 함께 NISE 반복 루프에서 결합하여, 자체일관성(r.m.s.d. 기반)에 따라 서열과 공구조를 반복적으로 선택 및 확장했다.

Achievement

Fig. 1 | See next page for caption.

높은 설계 성공률: exatecan 및 apixaban에 각각 100% 및 83% 성공률로 특이성 결합 단백질 설계. 뛰어난 친화성: nanomolar-to-picomolar Kd 값(exatecan 120 nM, apixaban 80 pM)으로 차세대 방법을 70배~10,000배 초과. 이차 최적화: LASErMPNN이 제안한 2개의 아미노산 치환으로 exatecan 결합자의 친화성이 100배 개선. 기능적 검증: 최적화된 결합자가 exatecan의 불안정한 락톤 고리를 수일간 가수분해로부터 보호. 모델 성능: LigandMPNN보다 향상된 서열 복구 정확도와 더 적은 과도한 패킹 현상 증명.

How

Fig. 1 | See next page for caption.

• LASErMPNN: 단백질 백본 좌표와 리간드 원자 좌표로부터 단백질 서열과 측쇄 dihedral 각을 autoregressively 예측하는 heterograph neural network 구조 설계
• 리간드 인코더 사전훈련: 양자화학 계산 기반 원자 수준 특성(부분 전하 등)으로 리간드 이해 강화
• 자체일관성 최적화: P(sequence|structure, ligand)에서 광범위 샘플링과 P(structure, ligand|sequence)에서 신뢰도 기반 argmax 선택의 교대 실행
• 반복 정제 루프: 각 라운드에서 다중 서열 후보 샘플링(고온 softmax), 예측 공구조의 backbone/ligand r.m.s.d. 평가, 고신뢰도 예측을 다음 라운드 입력으로 선택
• 에너지 함수 회피: physics-based 에너지 대신 신경망 신뢰도로 최적화 가이드

Originality

• 소분자 리간드를 명시적으로 포함하는 삼자 자체일관성(sequence-structure-ligand) 원칙 도입, 기존의 단백질-펩타이드 설계 원칙 확장
• LASErMPNN의 혁신적 설계: 측쇄 dihedral 동시 예측, pretrainable 리간드 인코더, 각 인코딩-디코딩 라운드에서 리간드 노드 포함
• Backbone frame 이상화 및 노이징 방식으로 결정 구조 유물 암기 감소, LigandMPNN의 독립적 원자 노이징과 차별화
• 반복 좌표 상승(iterative coordinate ascent)과 신경망 신뢰도의 결합으로 에너지 함수를 완전히 우회하면서도 결합 분포의 고확률 영역 탐색

Limitation & Further Study

• 디자인된 단백질의 구조적 안정성 및 세포 내 발현 및 기능성에 대한 장기 평가 부재. - Streptavidin 검증 사례는 극단적(매우 강한 비공유 결합)이므로 일반성 확보 정도 미지수. - RFAA의 β-barrel 구조 예측 실패(0.4% vs Boltz-1의 65%)는 구조 예측기 선택에 따른 성능 편차 가능성 시사. - Exatecan의 락톤 안정화는 in vitro 조건에서만 시연되어 생체 내 효과 미검증. - 설계 반복 횟수, 샘플링 온도, 선택 기준 등의 초매개변수에 대한 민감도 분석 부족. 후속 연구: 다양한 소분자와 단백질 fold에서의 일반화 성능, 생체 내 안정성 및 독성 프로필 평가, 고처리량 실험과의 직접 비교 필요.

Evaluation

총평: 이 논문은 신경망과 구조 예측기를 반복적으로 결합하는 NISE 방법론으로 소분자 결합 단백질의 zero-shot 설계를 획기적으로 실현했으며, 차세대 방법 대비 70~10,000배 향상된 친화성과 높은 설계 성공률을 달성함으로써 단백질 공학과 치료제 개발 분야에 상당한 기여를 하는 높은 수준의 연구이다.