From Holo Pockets to Electron Density: GPT-style Drug Design with Density

Motivation

• Known: 기존 SBDD 방법들은 holo complex에서 filler(리간드, 용매)를 제거한 empty binding pocket을 조건으로 분자를 생성하며, Pocket2Mol, Lingo3DMol과 같은 autoregressive 모델과 TargetDiff, MolCRAFT 같은 diffusion 기반 모델이 pocket geometry에 기반해 리간드를 생성해왔다. 또한 Wang et al.과 ED2Mol 등 일부 연구는 pocket의 electron density를 활용한 시도를 했다.
• Gap: 기존 pocket 기반 방법은 binding pocket을 단일 정적 conformation으로 가정하여 단백질의 내재적 유연성과 리간드 결합에 따른 conformational adaptation을 반영하지 못하며, pocket ED를 사용한 기존 연구도 유연한 영역에서 ED가 약하거나 잘 분해되지 않아 불안정하고 모호한 조건화 신호를 만든다는 한계가 있었다. filler ED가 더 신뢰할 수 있고 정보량이 많은 조건화 신호가 될 수 있음에도 이를 분자 생성에 활용한 연구는 부재했다.
• Why: filler ED는 실험적으로 검증된 연속적 표현으로서 rigid한 기하학적 가정 없이 ensemble-averaged 공간 분포와 상호작용 패턴, conformational flexibility를 자연스럽게 포착할 수 있어, 더 현실적이고 유연한 binding environment 표현을 통해 de novo drug design의 정확성과 실용성을 높일 수 있다는 점에서 중요하다.
• Approach: holo complex의 filler로부터 계산적으로 얻는 CalED와 실험적으로 얻는 ExpED(cryo-EM/X-ray) 두 가지 electron density를 point cloud로 샘플링하여 pharmacophore feature로 annotation하고, 이를 조건으로 하는 decoder-only autoregressive 모델 EDMolGPT를 통해 FSMILES 형태의 3D 분자를 생성한다.

Achievement

Figure 5. The comparison between ED2Mol and EDMolGPT on QED, SAS, and Molecule Weight. We split QED and SAS into several

1. filler 기반 ED 조건화 제안: pocket이 아닌 filler에서 유래한 ED(CalED, ExpED)를 최초로 분자 생성의 조건으로 활용하여 conformational flexibility를 포착함.
2. EDMolGPT 프레임워크: encoder-decoder나 diffusion 기반이 아닌 최초의 decoder-only autoregressive 3D drug design 모델을 제안, 대규모 CalED로 pre-training 후 소량의 실험적 ExpED로 fine-tuning하는 파이프라인을 구축함.
3. 광범위한 실험적 검증: DUD-E 데이터셋의 최대 101개 표적에 대해 평가하여 생성된 분자들이 binding pocket과 호환되는 3D conformation과 생물활성을 보임을 검증함.

How

Figure 3. The overall pipeline of our method. The components shown with a green background correspond to the generation

• 4.5 Å 반경 내 filler(리간드+용매)를 정의하고 이로부터 저해상도 ED map을 추출
• ED map에서 point cloud를 샘플링하고 pharmacophore feature로 annotation하여 화학적으로 의미있는 조건 신호 생성
• point cloud를 공간 좌표 기준으로 재정렬하여 GPT 스타일 모델의 입력 순서 중요성을 반영
• decoder-only autoregressive 구조의 EDMolGPT가 FSMILES 표현으로 3D 분자 conformation을 생성
• 공개 데이터셋의 대규모 CalED로 pre-training 후 실험적으로 얻은 cryo-EM/X-ray 기반 ExpED로 fine-tuning
• 추론 시에는 filler ED만을 조건으로 사용하여 분자를 생성(학습과 추론의 조건 차이는 Fig. 4에서 설명)
• DUD-E 데이터셋의 101개 표적에 대해 QED, SAS, Molecular Weight 등 지표로 ED2Mol 등과 비교 평가(Fig. 5)

Originality

• pocket이 아닌 filler로부터 ED를 유도한다는 발상의 전환: 기존 연구들이 rigid하고 empty한 pocket ED에 의존한 것과 달리, 리간드와 용매를 포함하는 filler의 ED가 conformational flexibility를 더 잘 반영한다는 통찰
• CalED(계산적)와 ExpED(실험적) 두 종류의 ED를 통합하여 대규모 pre-training과 실험적 신호 통합을 모두 지원하는 unified 프레임워크
• encoder-decoder나 diffusion 기반이 지배적인 3D 분자 생성 분야에서 decoder-only autoregressive 구조를 최초로 적용한 점
• ED point cloud를 공간 좌표로 재정렬하는 것과 pharmacophore feature annotation을 결합하여 GPT 스타일 모델에 적합한 입력 표현을 설계한 점

Limitation & Further Study

• 실험적 ExpED 데이터는 양이 제한적이어서 fine-tuning 단계에서 일반화 성능이 충분히 검증되지 않았을 가능성이 있음
• 학습(training)과 추론(inference) 시 조건 신호의 차이(Fig. 4)가 존재하여 실제 배포 환경에서 성능 저하가 발생할 수 있음, 이에 대한 자세한 완화 전략이 더 필요함
• 평가가 DUD-E 데이터셋 기반의 docking score 등 in silico 지표에 국한되어 있어 실제 wet-lab 검증이나 실험적 결합 친화도 측정이 부족함
• 저해상도 ED만을 다루고 있어 고해상도 구조 정보나 다양한 실험 조건(온도, pH 등)에 따른 ED 변화에 대한 고려가 부족할 수 있음
• 후속 연구로는 실험적 ED 데이터셋 확충, 다양한 표적에 대한 일반화 검증, wet-lab 실험을 통한 실제 활성 검증이 필요함

Evaluation

총평: pocket 대신 filler ED를 조건으로 활용하는 새로운 관점과 decoder-only autoregressive 구조를 결합한 참신한 시도로, SBDD 분야에 실질적 기여를 하는 우수한 연구이나 실험적 검증의 폭을 넓힐 필요가 있다.