Harmonic Torsional Diffusion for Protein-Ligand Flexible Docking

Motivation

• Known: 기존 diffusion 기반 docking 모델(DiffDock-Pocket, Re-Dock, FlexDock 등)은 torsional degree-of-freedom을 generic Euclidean head로 예측하며, protein side chain의 rotamer 및 induced fit에 의한 ligand-pocket 공동 적응을 다루는 flexible docking 문제를 다룬다.
• Gap: 기존 방법들은 torsional angle의 주기적(periodic) 기하 구조를 무시한 Euclidean 파라미터화를 사용하여 rotameric motion의 multi-frequency 특성을 자연스럽게 표현하지 못하며, score parameterization이 diffusion process의 기하 구조와 정렬되어 있지 않다는 근본적 한계가 있다.
• Why: score parameterization을 diffusion process의 기하와 정렬시키는 것은 단순하면서도 효과적인 개선 레버로, 이는 side chain rearrangement가 binding에 핵심적인 flexible docking의 정확도와 물리적 타당성을 동시에 높일 수 있어 신약 개발을 위한 computational docking의 실용성을 크게 향상시킬 수 있다.
• Approach: ligand와 flexible pocket side-chain torsional score field를 학습된 harmonic potential(Fourier basis)의 도함수로 정의하고, torus 위 variance-exploding diffusion의 heat semigroup을 이용해 노이즈 레벨에 따른 주파수 감쇠(frequency damping)를 해석적으로 부여한다.

Achievement

Figure 3. PoseBusters results with no relaxation.

1. PDBBind 벤치마크 성능 향상: 동일한 학습 설정과 모델 아키텍처를 유지한 채 기존 flexible docking 방법 대비 ligand pose 정확도와 pocket all-atom 재구성 성능을 약 24.5%p 개선하였다.
2. PoseBusters에서의 물리적 타당성 개선: 생성된 복합체의 화학적/물리적 유효성(validity)을 다수의 baseline 대비 향상시켰다.
3. 사례 연구를 통한 메커니즘 검증: EBNA1(극성 결합 부위)과 KRAS G12D(얕은 결합 부위) 사례 연구를 통해 harmonic parameterization이 서로 다른 결합 환경에서 어떻게 작동하는지 실증적으로 보였다.

How

Figure 2. Frequency damping effect of VE noising. As noise

• Pocket-centered heterogeneous graph(Vl, Vb, Va)를 구성하여 ligand atom, 잔기 수준 backbone node(Cα, ESM-2 임베딩 포함), receptor atom을 함께 표현
• Docking 상태를 product manifold M = R3 × SO(3) × Tml × Tms 위에서 정의하여 ligand translation/rotation과 ligand/side-chain torsion을 통합적으로 모델링
• ligand 및 side-chain torsional score field를 Fourier 기저의 harmonic potential의 미분으로 파라미터화하여 명시적으로 주기성을 반영
• torus 상의 VE SDE에 대응하는 heat semigroup을 이용해 노이즈 레벨에 따른 harmonic 계수의 해석적 감쇠(고주파에서 저주파로 점진적 억제)를 부여
• graph 기반 신경망 백본으로부터 harmonic 계수를 예측하고 이를 통해 역방향 SDE를 통해 샘플링 수행
• ablation study를 통해 harmonic mode 개수 K 등 설계 선택의 영향을 분석

Originality

• torsional angle의 score field를 직접 회귀하는 대신 원(circle) 위 harmonic potential의 도함수로 파라미터화하여 주기적 기하 구조를 명시적으로 인코딩한 최초의 접근
• torus 위 VE diffusion의 heat semigroup을 해석적으로 활용하여 노이즈 레벨에 따른 frequency damping을 별도 학습 없이 analytically 유도
• rigid docking에 국한된 SigmaDock의 fragmentation 기반 재구성과 달리, flexible docking(ligand + side chain 동시 모델링)이라는 더 어려운 문제에 harmonic parameterization을 적용
• ligand와 protein side-chain 모두에 동일한 harmonic torsional 프레임워크를 통합적으로 적용하여 induced fit에 의한 공동 적응을 자연스럽게 표현

Limitation & Further Study

• 본 연구는 protein backbone을 고정하고 pocket side-chain 유연성만 다루므로, backbone motion을 포함하는 co-folding 수준의 완전한 유연성은 다루지 못함
• pocket-based docking 설정에 초점이 맞춰져 있어 blind docking 시나리오에서의 일반화 성능 검증이 제한적일 수 있음
• harmonic mode 개수 K와 같은 하이퍼파라미터 선택이 성능에 미치는 영향에 대한 이론적 가이드라인이 부족하며 ablation에 의존
• EBNA1, KRAS G12D 등 소수의 사례 연구에 기반한 정성적 분석으로, 더 다양한 표적에 대한 일반화 검증이 필요
• 후속 연구로 backbone flexibility 확장, blind docking으로의 적용, 더 큰 규모의 벤치마크에서의 검증이 요구됨

Evaluation

총평: torsional diffusion의 score parameterization을 주기적 기하 구조에 맞게 재설계함으로써 flexible docking 성능을 효과적으로 개선한 견고하고 이론적으로 잘 뒷받침된 연구이나, backbone flexibility 및 더 광범위한 일반화 검증이 향후 과제로 남아있다.