The computation of the global minimum energy conformation (GMEC) is an important and challenging topic in structure-based computational protein design. In this paper, we propose a new protein design algorithm based on the AND/OR branch-and-bound (AOBB) search, which is a variant of the traditional branch-and-bound search algorithm, to solve this combinatorial optimization problem. By integrating with a powerful heuristic function, AOBB is able to fully exploit the graph structure of the underlying residue interaction network of a backbone template to significantly accelerate the design process. Tests on real protein data show that our new protein design algorithm is able to solve many prob- lems that were previously unsolvable by the traditional exact search algorithms, and for the problems that can be solved with traditional provable algorithms, our new method can provide a large speedup by several orders of magnitude while still guaranteeing to find the global minimum energy conformation (GMEC) solution.
A deep neural network based architecture was constructed to predict amino acid side chain conformation with unprecedented accuracy. Amino acid side chain conformation prediction is essential for protein homology modeling and protein design. Current widely-adopted methods use physics-based energy functions to evaluate side chain conformation. Here, using a deep neural network architecture without physics-based assumptions, we have demonstrated that side chain conformation prediction accuracy can be improved by more than 25%, especially for aromatic residues compared with current standard methods. More strikingly, the prediction method presented here is robust enough to identify individual conformational outliers from high resolution structures in a protein data bank without providing its structural factors. We envisage that our amino acid side chain predictor could be used as a quality check step for future protein structure model validation and many other potential applications such as side chain assignment in Cryo-electron microscopy, crystallography model auto-building, protein folding and small molecule ligand docking.
Proteins are responsible for the most diverse set of functions in biology. The ability to extract information from protein sequences and to predict the effects of mutations is extremely valuable in many domains of biology and medicine. However the mapping between protein sequence and function is complex and poorly understood. Here we present an embedding of natural protein sequences using a Variational Auto-Encoder and use it to predict how mutations affect protein function. We use this unsupervised approach to cluster natural variants and learn interactions between sets of positions within a protein. This approach generally performs better than baseline methods that consider no interactions within sequences, and in some cases better than the state-of-the-art approaches that use the inverse-Potts model. This generative model can be used to computationally guide exploration of protein sequence space and to better inform rational and automatic protein design.
Proteins are commonly used by biochemical industry for numerous processes. Refining these proteins' properties via mutations causes stability effects as well. Accurate computational method to predict how mutations affect protein stability are necessary to facilitate efficient protein design. However, accuracy of predictive models is ultimately constrained by the limited availability of experimental data. We have developed mGPfusion, a novel Gaussian process (GP) method for predicting protein's stability changes upon single and multiple mutations. This method complements the limited experimental data with large amounts of molecular simulation data. We introduce a Bayesian data fusion model that re-calibrates the experimental and in silico data sources and then learns a predictive GP model from the combined data. Our protein-specific model requires experimental data only regarding the protein of interest and performs well even with few experimental measurements. The mGPfusion models proteins by contact maps and infers the stability effects caused by mutations with a mixture of graph kernels. Our results show that mGPfusion outperforms state-of-the-art methods in predicting protein stability on a dataset of 15 different proteins and that incorporating molecular simulation data improves the model learning and prediction accuracy.
데노보(de novo) 단백질 설계에서 핵심적인 과제는 원하는 구조적, 기능적 특성을 가진 단백질을 생성하는 것이다. 기존 설계 모델들은 일반적으로 각 특성마다 전용 입력 표현을 필요로 하여, 지원할 수 있는 설계 목표가 제한된다. 우리는 텍스트-이미지 생성(text-to-image generation)과 유사하게, 자연어로 지정된 새롭고 더 광범위한 설계 목표를 지원하는 최초의 전원자(all-atom) 구조 생성 모델인 Prompteina를 개발한다. Prompteina를 학습시키기 위해, 우리는 전역적 및 잔기(residue) 단위의 구조적·기능적 특성을 설명하는 180만 개의 구조와 5000만 개 이상의 캡션으로 구성된 텍스트-단백질 구조 쌍 데이터셋인 Prompteina-Data를 구축한다. 우리는 사전학습된 구조 생성 모델인 Proteina-Complexa를, 텍스트 조건부 사전학습과 잔기를 해당 텍스트에 맞추는 파인튜닝을 통해 적응시킨다. Prompteina는 18개의 구조적 특성 중 15개에서 기준선(baseline)을 능가하며, 의도된 기능에 대한 설명과 더 밀접하게 일치하는 단백질을 생성한다. 바인더(binder) 설계에서는 20개 표적 중 최소 13개에서 기준선을 앞서며, 가장 강력한 기준선보다 인터페이스 신뢰도(interface confidence)를 14% 향상시킨다. 반복적인 인실리코(in silico) 피드백을 사용할 경우, 가장 어려운 표적들에서 Prompteina가 비반복적 생성 대비 얻는 성능 향상은 차선의 기준선보다 57% 더 크다. 마지막으로, 우리는 보고된 데노보 바인더가 없는 표적인 GM2A에 대해 Prompteina의 설계를 실험적으로 검증한다. 우리는 9개의 바인더를 확인했으며, 가장 강력한 바인더는 겉보기(apparent) $K_{\mathrm{D}}$ 107 nM를 나타낸다. 이러한 결과는 자연어가 단백질 구조 생성을 위한 효과적이고 강력한 조건화 인터페이스(conditioning interface)임을 입증한다.
생성형 분자 설계는 일반적으로 과잉 생성(over-generation)과 사후 필터링에 의존합니다. 파인만-카츠(Feynman-Kac, FK) 스티어링과 같은 추론 시점(inference-time) 스티어링 기법은 궤적을 높은 보상(reward)의 후보군으로 유도하여 효율성을 개선하지만, 단일 고정 구성 내에서만 최적화를 수행합니다. 데 노보(de novo) 나노바디 설계에서는 스캐폴드(scaffold) 종류나 표적 에피토프(epitope)와 같은 조건 설정을 사전에 확정하는 것이 병목을 유발합니다. 이러한 조건에 따라 수율이 달라지기 때문에, 유망하지 않은 설정을 스티어링하는 것은 계산 자원을 낭비하게 됩니다. 본 연구에서는 생성 조건 선택을 추론 시점 자원 할당 문제로 재구성합니다. 이에 따라 두 가지 동적 예산 할당기를 제안합니다. 구성 전반에 걸쳐 스티어링과 연산 할당을 동시에 수행하는 통합 글로벌 순차 몬테카를로(Global SMC) 정식화와, 배치 연속 제거(BaSE)를 적용한 분리형 접근법입니다. 실증적으로 이러한 동적 할당기는 서로 다른 치료 표적 및 생성 구성에 걸쳐 다양성을 희생하지 않으면서도 GPU 시간당 설계 가능한 후보군의 수율을 약 5배 향상시킵니다.
치료용 펩타이드는 유망한 신약 모달리티이지만, 이를 생성하기 위해서는 여러 치료적 제약 조건을 충족해야 합니다. 본 연구에서는 동일하게 생성된 후보군에 대해 표적 결합력과 4가지 주요 안전성 지표를 공동으로 평가하는 고정 예산 벤치마크인 BindSafe-PepBench를 소개합니다. 우리는 펩타이드 길이가 결합력-안전성 공동 평가의 주요 교란 변수임을 밝혀냈습니다. 길이가 긴 펩타이드는 예측된 결합력은 강해지는 경향이 있지만 예측된 안전성은 덜 유리해집니다. 이는 겉보기 트레이드오프를 생성하며, 서로 다른 출력 길이 분포를 가진 모델 간 비교에서 바이어스를 유발할 수 있습니다. 우리는 출력 길이 효과와 생성적 개선을 구별하기 위해 절대적인 안전-활성(Safe-Active) 수율 및 정확한 길이 일치 이득을 보고합니다. 높은 안전-활성 수율을 달성하는 것은 여전히 어려운 과제이며, 가장 강력한 다중 특성 방법들은 비용이 많이 드는 추론 시점 가이던스에 의존합니다. 이에 따라 본 연구에서는 추론 시점 가이던스 없이 단일 잠재 정제 후 병렬 디코딩을 수행하며, 표적 특이적 결합체로의 끌림과 위험성 관련 영역으로부터의 반발을 통합하는 단일 단계 생성 프레임워크인 Pepti-drift를 제안합니다. 88개의 홀드아웃 표적 전반에 걸쳐 Pepti-drift는 18.37%의 예측 안전-활성 수율을 달성하면서 양의 정확한 길이 일치 이득을 유지했습니다. 결과적인 이득은 다중 특성 가이던스 기반 베이스라인과 경쟁력이 있으면서도 생성 비용을 468배 낮춰, 확장 가능하고 공정한 고처리량 펩타이드 설계를 가능하게 합니다.
신규(de novo) 단백질 설계의 핵심 과제는 설계된 각 서열이 의도한 구조로 접히고 해당 구조가 그 서열을 수용할 수 있도록, 타당하면서도 상호 호환되는 구조와 서열을 생성하는 것입니다. 상호의존적인 모달리티의 모델링을 분리하는 일반적인 2단계 설계 방법과 비교하여, 공동 설계(co-design) 모델은 서열과 구조를 함께 생성함으로써 모달리티 간 일관성을 향상시킵니다. 그러나 서열과 구조를 단순히 동시에 생성하는 것만으로는 이들의 일관성을 보장할 수 없습니다. 이러한 문제를 해결하기 위해 우리는 CODesign 프레임워크를 제안합니다. 우리는 약 105,000개의 일관성 증류된 이합체(dimer)를 생성하여 데이터 일관성을 개선합니다. 나아가 서열, 백본 구조, 국소 원자 배치의 결합 분포를 포착하는 다중모달 결합 흐름(multimodal joint flow) 모델과, 서열 및 곁사슬(side chain)을 반복적으로 정제하는 일관성 인지 결합 재샘플링 전략을 통해 일관성을 더욱 촉진합니다. 실험 결과에 따르면 CODesign은 단백질 및 리간드 표적 바인더 설계 모두에서 가장 높은 인실리코(in silico) 성공률을 기록하며 최첨단(SOTA) 성능을 달성합니다. 절제 연구(ablation study)를 통해서도 증류된 데이터셋이 성능을 70.9% 향상시키며, 무시할 수 있는 수준의 추가 계산 비용만으로 제안된 재샘플링 메커니즘을 통해 성능을 더욱 끌어올릴 수 있음을 입증합니다. 코드, 모델 가중치 및 새로운 데이터셋은 완전히 오픈소스로 공개될 예정입니다.
가변 길이 단백질을 생성하는 능력은 단백질 설계에서 매우 중요한데, 최적 길이가 종종 알려져 있지 않고 설계 가능성(designability)과 긴밀하게 연결되어 있기 때문이다. 현재 확산(diffusion) 및 플로우(flow) 기반 생성 모델은 일반적으로 샘플링 전에 단백질 길이를 미리 지정해야 하므로, 실현 가능한 설계 공간을 탐색하는 유연성이 제한된다. 이러한 한계를 해결하기 위해, 우리는 비균질 일반화 포아송 과정의 속도 함수를 음의 로그 가능도(negative log-likelihood) 최소화를 통해 학습하는 가변 길이 생성 프레임워크인 Generalized Poisson Flow(GPFlow)를 제안한다. 우리는 결합 다중 모달 분포를 복원하기 위한 모집단 수준의 보장을 수립하고, 데이터 분포와 생성된 분포 간의 KL 발산에 대한 상한을 도출한다. GPFlow의 가변 길이 생성 품질을 완전히 검증하기 위해 유클리드, 범주형, 리만 모달리티에 걸쳐 구조 및 서열 설계, 모티프 스캐폴딩(motif scaffolding), 펩타이드 공동 설계(peptide co-design)를 포함하여 GPFlow를 종합적으로 평가한다. 비조건부 설계에서 GPFlow는 대응하는 고정 길이 베이스라인과 비교하여 구조적 설계 가능성을 향상시키고 서열 설계에서 최고의 분포 적합성을 달성하는 동시에 길이 분포를 완벽하게 복원한다. 조건부 모티프 스캐폴딩에서 GPFlow는 16개 구조 기반 설계 과제 중 10개에서 1위를 차지하며 훨씬 더 많은 고유 성공을 거두고, 서열 기반 설계에서도 더 많은 통과 과제를 달성한다. 펩타이드 공동 설계에서 GPFlow는 네이티브 길이 오라클(native-length oracle)에 접근하지 않고도 경쟁력을 유지한다.
RFDiffusion 3의 이차적 메모리 병목 문제를 해결하기 위해 1D 행 샤딩과 링 어텐션 기반 2D 그리드 샤딩의 두 가지 컨텍스트 병렬(CP) 추론 전략인 Design-CP를 제안하며, 사전학습된 가중치를 보존한 채 이차적 활성화값을 다중 GPU에 분산시킨다. 정이십면체 및 정팔면체 나노입자 설계 실험에서 2D 샤딩이 더 우수한 실시간 스케일링을 달성했으며, 워크스테이션급 16GB GPU 소규모 클러스터에서도 대형 단백질 어셈블리 설계가 가능함을 보였다.
단백질 언어 모델은 생물학적 서열 생성의 표준 사전(prior)이지만, 이를 명시적인 분포 설계 목표로 유도하는 것은 아직 거의 탐구되지 않았다. 본 연구는 서열이 원하는 아미노산(AA) 조성 프로파일과 일치해야 하면서도 그럴듯한 서열 통계와 다양성을 유지해야 하는 제약 단백질 생성 문제를 다룬다. 동기가 되는 응용은 합성 사료 단백질 설계로, 여기서 사료 단백질의 AA 조성은 그 영양가를 직접적으로 결정한다. 우리는 도메인 내 단백질 데이터셋에 대한 도메인 적응형 미세조정(FT) 뒤에, FT 모델을 고정된 참조(reference)로 두고 강화학습(RL)을 통한 반복적 보상 가중 FT를 수행하는 2단계 파이프라인을 제안한다. 두 가지 AA 조성에 대해 파이프라인을 평가한 결과, FT는 평균 조성을 목표에 가깝게 맞추고, 이후 RL은 FT만으로는 충족할 수 없는 특정 서열 제약을 강제함을 확인했다. 또한 제안한 조성 보상 항의 설계 선택을 두 가지 베이스라인 및 절삭(ablated) 변형과 비교 평가하고, 각 학습 단계의 기여를 분리하며, AA 조성 정렬이 서열 품질 저하 없이 달성됨을 검증했다.
계산 항체 CDR 설계 방법들은 결합 루프를 생성하기 위해 항원(antigen) 구조를 조건으로 한다. 그러나 기존 아키텍처는 근본적으로 구별되는 두 하위 문제를 혼동한다: 어떤 CDR 위치가 항원과 접촉할지 식별하는 문제와 해당 위치에서 아미노산을 선택하는 문제. 이는 모델이 균일한 메시지 패싱(message passing)을 통해 접촉 추론을 암묵적으로 학습하도록 강제하며, 모든 위치에 걸쳐 항원 신호를 동등하게 희석시킨다. 우리는 CDR 설계를 세 가지 연쇄 단계로 명시적으로 분해하는 접촉 후 행동(contact-then-act) 아키텍처인 ConTact를 제안한다: 표면 상보성 지문(surface complementarity fingerprints) 학습, CDR-항원 접촉 예측, 접촉 게이트(contact-gated) 항원 특징을 예측 헤드(prediction head)에 주입. 거리 편향(distance-biased) 교차 어텐션 모듈은 공간적 이웃을 선호하는 기하학적 사전 지식을 인코딩하고, 접촉 가중(contact-weighted) 교차 엔트로피 손실은 결합에 중요한 위치에 그래디언트 신호를 집중시킨다. CHIMERA-Bench 데이터셋에서 ConTact는 모든 분할(split)에서 최저 backbone RMSD를 달성하며(최고 기준선 대비 5~6% 개선), 항원-접힘(antigen-fold) 및 시간적(temporal) 분할에서 네이티브 접촉 비율, 인터페이스 RMSD, epitope F1에서 최고 성능을 기록하는 한편, 더 어려운 epitope-group 분할에서도 경쟁력을 유지한다. 소스 코드는 https://github.com/mansoor181/ConTact.git 에서 이용 가능하다.
미리 정의된 단량체 집합으로 구성된 합성 무작위 이종중합체(RHPs)는 단백질 유사 물질 설계에 대한 접근 방식을 제공합니다. 적절하게 설계된 경우 이러한 RHP는 단백질 거동과 기능을 모방할 수 있습니다. 따라서 RHP 설계를 효율적으로 안내할 계산 도구가 필요합니다. 우리는 준지도 학습 프레임워크 하에서 수정된 변이형 오토인코더(VAE) 모델인 DeepRHP를 개발하여 이러한 격차를 해소합니다. DeepRHP는 고전적 VAE에 추가적인 특징(feature) 기반 VAE를 장착하여 잠재 공간이 중요한 화학적 특징의 구조와 개별 RHP 시퀀스 패턴을 모두 포착하도록 강제합니다. 이러한 의미에서 우리의 방법은 관련된 모든 특징이 하이브리드 방식으로 통합될 수 있도록 허용하므로 유연합니다. 우리는 비천연 환경에서 막 단백질(예: Aquaporin Z)을 안정화하는 잠재적인 단량체 조성을 제안하고 기존 연구 결과와 교차 검증을 수행함으로써 DeepRHP의 효과를 입증합니다. 우리 모델과 실제 RHP 기능 간의 일치성은 단백질 및 기타 생물학적 화합물에 대한 RHP 설계를 안내하기 위해 하이브리드 오토인코더 아키텍처를 활용할 수 있는 강력한 잠재력을 시사합니다.
De novo 단백질 생성은 치료제 설계, 효소 공학, 합성 생물학 분야에서 변혁적인 잠재력을 가지고 있습니다. 확산 기반 및 흐름 매칭 접근법은 진전을 이루었으나, 일반적으로 단일 해상도로 작동하며 기능적 제약 조건을 통합할 수 있는 메커니즘이 부족합니다. 본 연구에서는 세 가지 혁신을 포함하는 계층적 흐름 매칭 프레임워크인 ProHiFlo를 소개합니다: (1) 전원자(all-atom) 좌표로 정제하기 전에 백본(backbone) 기하학을 모델링하여 정확도를 유지하면서 계산 비용을 절감하는 Coarse-to-fine 생성, (2) 재학습 없이 사전학습된 예측기를 활용하여 생성 과정을 원하는 속성으로 유도하는 기능적 가이던스, (3) 효율적인 다중 스케일 처리를 위한 적응형 SE(3)-등변(equivariant) 아키텍처입니다. 무조건 생성, 모티프 스캐폴딩(motif scaffolding), 기능적 설계에 대한 실험 결과, 4단계 더 적은 샘플링 단계만으로도 최첨단(state-of-the-art) 성능을 달성함을 입증했습니다. 효소 활성 부위 스캐폴딩 작업에서 ProHiFlo는 RFDiffusion의 41.2% 대비 58.9%의 성공률을 기록했습니다.